MASARYKOVA UNIVERZITA Přírodovědecká fakulta Fyzikální sekce
Sledování vlivu rekonstrukčního algoritmu SPECT snímků na výsledky subtrakční analýzy Diplomová práce
Autor práce: Bc. Jan Klemeš Vedoucí práce: prof. MUDr. Milan Brázdil, Ph.D.
Brno, 2010
Prohlašuji, že jsem tuto práci vypracoval samostatně za pomoci vedoucího a konzultantů diplomové práce, dále pak s použitím uvedené literatury.
V Brně dne 5. 5. 2010
Bc. Jan Klemeš ………………
Touto cestou bych chtěl poděkovat a věnovat tuto práci všem, bez jejichž přičinění by nikdy nevznikla. Především pak vedoucímu diplomové práce prof. MUDr. Milanu Brázdilovi Ph.D. za vstřícnou spolupráci a umožnění vzniku této diplomové práce na I. NK FNUSA v Brně, dále pak konzultantům Ing. Michalu Miklovi Ph.D. a Ing. Radku Marečkovi za zasvěcení a cenné konzultace v oblasti zpracování a analýzy obrazových dat neurologických pacientů, doc. MUDr. Jiřímu Práškovi CSc. za poskytnutí dat z KNM FN Brno a v neposlední řadě MUDr. Iloně Eliášové za výběr souboru pacientů vhodných ke zpracování. Další, ovšem nemenší, díky patří rodině, přátelům a blízkým za jejich stálou podporu po dobu celého mého dosavadního studia.
Abstrakt: V epileptologii se mimo klasického SPECT zobrazení využívá i subtrakce SPECT snímků získaných při aplikaci radiofarmaka v době záchvatu (tzv. iktální SPECT) a snímků získaných v době mezi záchvaty (tzv. interiktální SPECT). Takto provedená subtrakce se zobrazuje přes podrobné MRI snímky a umožňuje přesněji lokalizovat možné ložisko epileptické aktivity. Cílem práce je zjistit, zda různé rekonstrukční algoritmy SPECT snímků mohou ovlivnit výsledky subtrakční analýzy. Toto ohodnocení by mělo být provedeno jak pro případ stejného rekonstrukčního algoritmu pro iktální i interiktální snímky, tak pro případ rozdílného algoritmu v těchto dvou snímcích.
Klíčová slova: epilepsie, SPECT, SISCOM, filtrovaná zpětná projekce, iterativní rekonstrukce
Abstract: In the epileptology is used besides classic SPECT imaging also subtraction SPECT images gained during application of radiopharmaceutical in duration of seizure (ictal SPECT) and images gained in time without seizure activity (icterial SPECT). The subtraction accomplished in the way described above is coregistered through detailed MRI scans and allows localize more accurately the possible foci of an epileptological activity. The aim of this work is to determine whether different reconstruction algorithms of SPECT images can influence the results of subtraction analysis. This evaluation should be made for the same reconstruction algorithms for ictal and interictal images as well as for different algorithms in these two images.
Key words:
epilepsy, SPECT, SISCOM, FBP, iterative reconstruction
Obsah Obsah ..................................................................................................................................... 4 1
Úvod .............................................................................................................................. 6
2
Teoretická část ............................................................................................................... 7 2.1 Neurologie ................................................................................................................. 7 2.1.1
Anatomie CNS................................................................................................... 7
2.1.2
Neurofyziologie ................................................................................................. 8
2.1.3
Epilepsie a epileptické záchvaty ........................................................................ 9
2.1.3.2
Změny prokrvení během záchvatu – rCBF ............................................. 11
2.1.3.3
Zobrazovací a diagnostické metody v epileptologii ................................ 12
2.1.3.4
Léčba epilepsie ........................................................................................ 16
2.2 Jednofotonová emisní tomografie (SPECT) ............................................................ 17 2.2.1
Historie SPECT ............................................................................................... 17
2.2.2
Základní pojmy užívané v nukleární medicíně................................................ 18
2.2.3
SPECT principy ............................................................................................... 20
2.2.3.1
Interakce γ-záření s hmotou ..................................................................... 20
2.2.3.2
Detekce γ-záření ...................................................................................... 22
2.2.3.3
Vznik a rekonstrukce SPECT obrazu ...................................................... 23
2.2.3.4
Filtrovaná zpětná projekce....................................................................... 24
2.2.3.5
Iterativní metody rekonstrukce ................................................................ 24
2.2.4
Radiofarmaka v neurologii .............................................................................. 26
2.3 SISCOM .................................................................................................................. 28 3
Materiál a metody ........................................................................................................ 32 3.1 Soubor pacientů ....................................................................................................... 32 3.2 SPECT- KNM FN Brno .......................................................................................... 33 3.3 Programy a procesy pro zpracování snímků............................................................ 34
4
3.3.1
MATLAB ........................................................................................................ 34
3.3.2
SPM ................................................................................................................. 34
3.3.3
MRIcro ............................................................................................................ 35
Výsledky a diskuse ...................................................................................................... 36 4.1 Vizuální hodnocení .................................................................................................. 36 4.2 Rozdílnost snímků vzhledem k referenční subtrakci ............................................... 41 4.3 Nadprahové voxely a klastrová analýza .................................................................. 46 4
4.4 Implementace masky resekované oblasti ................................................................ 55 5
Závěr ............................................................................................................................ 62
Seznam použité literatury .................................................................................................... 64 Seznam zkratek .................................................................................................................... 67 Seznam obrázků, grafů a tabulek ......................................................................................... 68 Příloha.................................................................................................................................. 70
5
1
Úvod
Epilepsie, jedno z nejčastějších neurologických onemocnění, je zapříčiněna abnormální hyperaktivitou nervových buněk v mozku. Příznaky tohoto onemocnění jsou opakované vůlí neovlivnitelné epileptické záchvaty s projevy odpovídajícími funkci zasažené části mozku – lokalizaci epileptického ložiska. Léčba epilepsie se v první řadě opírá o farmaka – antiepileptika a současně o systém režimových opatření upravujících životosprávu pacienta. Existence farmakorezistentních epilepsií však vyžaduje odlišný přístup v léčbě. Tím může být resekce místa vzniku epileptického záchvatu (epileptogenní zóny), po jehož odstranění by měly záchvaty ustoupit. V epileptologii se můžeme při diagnostice onemocnění setkat jak s metodami zobrazujícími morfologii mozkových struktur, k nimž patří CT a MRI, tak s metodami sledujícími funkční procesy mozkové aktivity – EEG, fMRI, SPECT a PET. Jako velice výhodné se prosadilo skloubení těchto dvou skupin, které ve výsledku poskytuje sledování funkčních procesů s možností přesné morfologické lokalizace. SISCOM, neboli subtrakce iktálního a interiktálního SPECT snímku proloženého přes MRI snímek, je vhodnou doplňující metodou k lokalizaci epileptogenní zóny nutného
předpokladu
pro
provedení
epileptochirurgického
zákroku.
Využitím
radiofarmaka podaného během epileptického záchvatu dojde díky jeho vlastnostem a předpokladu zvýšené mozkové aktivity v místě původu záchvatu k lokalizaci aktivní zóny. Tento typ označujeme jako iktální SPECT. Ovšem pro rozlišení aktivity zvýšené jako následek epileptického záchvatu od běžné mozkové aktivity slouží interiktální SPECT – snímek získaný v době mezi záchvaty. Po odečtení obou snímků pak zůstanou zobrazena místa aktivní v době záchvatu. Z důvodu opravdu přesné lokalizace je nutné využít další modalitu poskytující mnohem lepší prostorové rozlišení a tou je MRI snímek. Tato diplomová práce byla uskutečňována pod záštitou I. Neurologické kliniky Fakultní nemocnice u svaté Anny u devíti pacientů s farmakorezistentní epilepsií. Cílem práce bylo zjistit jaký vliv má na výslednou subtrakci iktálního a interiktálního snímku (SISCOM) rekonstrukční algoritmus SPECT snímku respektive jejich vzájemná kombinace.
6
2
Teoretická část
2.1
Neurologie
2.1.1 Anatomie CNS Mozek, orgán uložený v dutině lebeční, je hlavním řídícím orgánem CNS. Vzestupně od hřbetní míchy je mozkový kmen. Tvoří jej prodloužená mícha (medulla oblongata), Varolův most (pons Varoli) a střední mozek (mesencephalon). Z mozkového kmene vychází deset párů hlavových nervů a jeho součástí je i retikulární formace zajišťující mnoho životně důležitých reflexů jako např. řízení dechu, vazomotoriku cév, regulaci srdečního cyklu (Holibková, 2004). Nad prodlouženou míchou a Varolovým mostem je mozeček (cerebellum), kde se nachází centrum pro regulaci svalového tonu, rovnováhu a přesnou motoriku. Strom života označuje symetrické uspořádání bílé hmoty uvnitř mozečku. Na mozkový kmen navazuje mezimozek (diencephalon). Mezi nejvýznamnější struktury mezimozku patří thalamus, hypothalamus a hypofýza. Thalamus je významné přepojovací centrum mezi aferentními a eferentními drahami, hypothalamus pak zabezpečuje kontrolu činnosti autonomního nervového systému a endokrinního sytému zabezpečující homeostázu - stálost vnitřního prostředí (Dubový, 2006). Jeho součástí je hypofýza - žláza, která ve spojení s hypothalamem řídí prostřednictvím svých hormonů funkce endokrinních žláz. U člověka je nejmohutnější částí koncový mozek (telencephalon). Skládá se ze dvou mozkových hemisfér spojených kalózním tělesem. Oproti míše je na povrchu koncového mozku šedá hmota tvořená těly nervových buněk, zatímco bílá hmota je uvnitř. Celý povrch je zbrázděn rýhami. Gyrifikace je systém zvrásnění hemisfér a umožňuje další členění koncového mozku na jednotlivé laloky – loby. V přední části se nachází lobus frontalis (čelní lalok) přecházející v lobus parietalis (temenní lalok) a temporalis (spánkový) a v zadní části pak lobus occipitalis (týlní lalok). Na povrchu koncového mozku se nacházejí oblasti nestejného fyziologicko-histologického významu. Tato korová centra jsou místa spřažená různými funkčními procesy, která jsou schopna nejen informace analyzovat, ale také syntetizovat (Holibková, 2004). Jsou to centra motorická, zraková, čichová, chuťová, sluchová, řeči a kožní citlivosti. Naopak v hloubi koncového mozku se objevují struktury bazálních ganglií tvořené nakupením šedé hmoty interesované v složitých koordinačních činnostech. 7
Mozek je zásoben arteriální krví dvěma páry tepen aa. carotis internae a aa. vertebrales, které se dále dělí. Důležitým systémem je circulus Willisi, díky kterému dochází k vyrovnání tlakových rozdílů či náhradnímu krevnímu zásobení (Dubový, 2006). Žilní krev odtéká z mozku systémem žilních splavů složených z povrchových a hlubokých žil. V zásobení CNS je prostřednictvím hematoencefalické bariéry omezen přímý kontakt krve s nervovou tkání. Omezení látkové výměny zapříčiňuje velice těsné spojení endotelových buněk a dochází tak k přímé selekci vstřebávání krevního obsahu.
2.1.2 Neurofyziologie Základní stavební a funkční jednotkou nervové soustavy je nervová buňka neboli neuron. Tato jednotka zahrnuje jednak samotné tělo nervové buňky, ale také její výběžky. V plazmatické membráně těla nervové buňky jsou přítomna jádra, jadérko, stejně tak i ostatní typické buněčné struktury jako jsou mitochondrie, ribozomy a endoplazmatická retikula. Posláním nervové buňky je podílet se na vzniku a šíření informací. K tomu ovšem neslouží pouhé tělo nervové buňky, ale i dva typy výběžků. Jako dendrity označujeme bohatě zastoupené, větvené výběžky určené k příjmu informace do neuronu. Informační tok vedou směrem do nitra nervové buňky. Naopak výběžek určený pro odvod informace z neuronu se označuje jako neurit. Oba typy výběžků se liší jak funkčně, vzhledem k informačnímu toku, tak i strukturálně. Zatímco základním funkčním prvkem dendritů jsou dendritické trny podílející se na sběru informací od okolních neuronů, neurit neboli axon se skládá ze samotného výběžku obaleného myelinovou pochvou přerušovanou v Ranvierových zářezech. V CNS se vyskytují i jiné typy buněk, a to buňky gliové. Neuroglie zajišťují nervovým buňkám podporu, výživu a ochranu. Za normálních okolností existuje mezi povrchem a vnitřkem nervové buňky, vlivem rozdílného rozložení iontů, potenciálový rozdíl. Hodnota klidového membránového potenciálu, kdy na vnitřní straně membrány je záporný a vně kladný náboj, se pohybuje v rozmezí -50 až -90mV (Hrazdira, 2004). Pokud se změní hodnoty nebo zastoupení jednotlivých iontů, dochází vlivem jiného rozložení náboje k depolarizaci, která vrcholí transpolarizací, během níž dojde k obrácení uspořádání náboje na obou stranách membrány a hodnoty membránového potenciálu se pohybují v rozmezí 30 až 40mV. Celý děj, při němž dochází ke změně klidového membránového potenciálu, se nazývá akční potenciál. Z hlediska jednotlivých iontů po dosažení spouštěcí úrovně dojde k vzestupu propustnosti 8
semipermeabilní membrány pro sodíkové ionty Na+. Vlivem napěťových změn dochází k otevírání dalších napěťových kanálků pro Na+ a to vše vyústí v rychlou depolarizaci. Vzestup propustnosti membrány trvá pouze do doby, kdy dojde k transpolarizaci a tím ke změně elektrického gradientu pro jednotlivé ionty. Během akčního potenciálu dochází také k migraci K+ iontů, ovšem jejich vliv se projeví až při dokončení repolarizace a navození opětovného klidového potenciálu. Samotný neuron dokáže vzruch vyvolat a vést, ovšem k šíření informace po neuronové síti (miliardy neuronů) je potřeba zajistit vzájemné propojeni jednotlivých buněk. Tato propojení jednotlivých nervových buněk jsou synapse. Vedení informace se uskutečňuje až na výjimky tímto synaptickým schématem – axon - presynaptický aparát – mediátor – postsynaptický aparát - dendrit. Místo, kde k přesunu vzruchu dochází, se nazývá synaptická štěrbina. Axon jedné nervové buňky je zakončen drobným knoflíkovitým rozšířením obsahujícím vezikuly s mediátorem. Když se akční potenciál šířící se po axonu dostane k presynaptickému aparátu, nastane na membráně otevření Ca2+ kanálků, dojde k influxu Ca2+ a následnému přesunu vezikulů k synaptické štěrbině, kde splývají s membránou a dochází k vyloučení mediátoru (Trojan, 2003). Prostou difuzí se mediátor šíří do prostoru synaptické štěrbiny, váže se na receptor umístěný v postsynaptickém útvaru dendritu druhé nervové buňky. Tím se spustí celá kaskáda následných reakcí, na jejímž konci nastane otevření iontových kanálů a změna membránového napětí a přenos vzruchu. Na chemickém složení vyplaveného mediátoru závisí i to, který iontový kanál bude otevřen. Propustností Na+ kanálu dochází k depolarizaci a mluvíme o excitačním postsynaptickém potenciálu. Pokud se otevírají K+ a Cl- kanály, membrána se vzniklými toky hyperpolarizuje a vzniká inhibiční postsynaptický potenciál (Vácha, 2004). Mezi nejdůležitější mediátory patří acetylcholin, noradrenalin, dopamin, serotonin, GABA, glycin. Existují ovšem i jiná synaptická spojení, a to elektrické synapse nebo nervosvalová ploténka.
2.1.3 Epilepsie a epileptické záchvaty Mezi nejčastější neurologické onemocnění patří epilepsie. Prevalence se pohybuje v rozmezí 0,5 – 0,8% populace (Waberžinek, 2006). Toto onemocnění se manifestuje prostřednictvím opakovaných, často typicky probíhajících, epileptických záchvatů. Epileptický záchvat je náhlá vůlí neovlivnitelná změna aktivity mozku způsobená 9
abnormální hyperaktivitou skupiny nervových buněk v mozku. Způsoby, jakými se epileptický záchvat projevuje navenek, jsou dány samotnou funkcí zavzaté části mozku. Změny se mohou týkat jak senzomotorických tak psychických či autonomních funkcí. Může docházet ke změně vědomí, chování i poruchám hybnosti či svalového napětí. Z etiologického hlediska existují dvě skupiny epileptických záchvatů: -
primární (idiopatické) - svůj původ mají převážně v genetické predispozici. V CNS nejsou patrny žádné strukturální či patologické odchylky
-
sekundární (symptomatické) - přímo vázané na jiná onemocnění CNS. Do této skupiny patří například akutní poškození mozku vlivem úrazu, metabolické poruchy, proliferujícího nádoru, stavy po cévní mozkové příhodě, intoxikace atd.
Existuje množství klasifikací epileptických záchvatů, např. na základě lokalizace nebo semiologie. Následné členění bude dle klasifikace Mezinárodní ligy proti epilepsii (ILAE). LOŽISKOVÉ (parciální) Ložiskové jednoduché s příznaky
motorickými senzitivními a senzorickými autonomními psychickými
Ložiskové komplexní
ložiskové jednoduché s následnou poruchou vědomí
s jednoduchými klinickými projevy a následnou poruchou vědomí s automatizmy
s iniciální poruchou vědomí
pouze poruchy vědomí s automatizmy
Ložiskové se sekundární generalizací
jednoduché ložiskové se sekundární lokalizací komplexní ložiskové se sekundární generalizací jednoduché ložiskové s přechodem do komplexních a poté se 10
sekundární generalizací GENERALIZOVANÉ typické
Absence
atypické Myoklonické Klonické Tonické Tonicko-klonické Atonické NEKLASIFIKOVATELNÉ ZÁCHVATY STATUS EPILEPTICUS Tabulka 1: Klasifikace epileptických záchvatů podle ILAE (Waberžinek, 2006)
Časová vzdálenost mezi jednotlivými záchvaty je rozdílná. Samotný záchvat vychází z oblasti mozku popisované jako epileptogenní zóna. Její podklad může být na základě morfologicko-anatomickém, snadno zachytitelném strukturně zobrazovacími metodami, nebo histologickém (Vojtěch, 2005). Vlivy podílející se na vyvolání záchvatu se rozlišují na vnitřní a vnější. Z vnějších stimulů se na vzniku záchvatu nejčastěji podílejí zrakové, sluchové či somatosenzorické vjemy, dále pak alkohol či některé typy léků. Do vnitřních vlivů se řadí spánek nebo hormonální vliv. Období oddělující od sebe epileptické záchvaty (interiktální období) je z hlediska diagnostiky onemocnění stejně podstatné jako samotný záchvat. I během něj jsou totiž v některých případech patrné patologické změny v EEG signálu, eventuálně se vyskytují změny týkající CBF – hypoperfuze. Dále se v tomto období mohou manifestovat behaviorální nebo psychiatrické poruchy přidružené k epilepsii.
2.1.3.2
Změny prokrvení během záchvatu – rCBF
Na základě Sherringtonova předpokladu by měla zvýšená mozková aktivita být spjata se zvýšeným metabolismem a tím i se zvýšeným průtokem krve danou oblastí (Krupka, 2007). Normální hodnoty perfuze se pohybují mezi 50-60ml/min/100g mozkové tkáně. Při jakékoli zvýšené mozkové aktivitě hodnoty vlivem zvýšeného metabolického nároku 11
stoupají. Vlivem epileptického záchvatu
mohou
hodnoty prokrvení
vzrůst až
několikanásobně. Jak již bylo zmíněno u vzniku akčního potenciálu v kapitole 2.1.2, při opětovném nastolení klidového membránového potenciálu je potřeba reflux iontů přes semipermeabilní membránu. Tento reflux Na+/K+ iontů se již neděje pomocí prosté difuze na základě koncentračního gradientu, ale je uskutečňován pomocí sodíkovo-draselné pumpy za pomocí energie dodávajícího adenosintrifosfátu (ATP). K dostatečnému zásobení mozkové tkáně po vyčerpání zásob ATP přispívá vasodilatace cévního řečiště a tím zvýšený průtok krve aktivní oblastí. V iktální fázi bude v oblasti ložiska docházet k hyperperfuzi zatímco v interiktálním období k hypoperfuzi (Thrall, 1995).
2.1.3.3
Zobrazovací a diagnostické metody v epileptologii
Klasické neurologické vyšetření zahrnující především zjištění pacientovy anamnézy a objektivního popisu epileptického záchvatu je klíčový faktor pro posouzení a správnou diagnostiku onemocnění. Pro doplnění nebo přesnější posouzení je ovšem potřeba přistoupit k dalším diagnostickým metodám. Ty by se daly rozdělit do dvou základních kategorií, a to na metody zobrazující morfologii CNS (MRI, CT) a metody funkčního zobrazení (EEG, fMRI, MRS, SPECT, PET). Metodou první volby pro zobrazení jakékoli organicity, která by se mohla podílet na vzniku epilepsie, bývá zobrazování pomocí magnetické rezonance (MRI). MRI je založena na fyzikálním jevu nukleární magnetické rezonance, který nastává při interakci magnetických momentů atomových jader s vnějším magnetickým polem. Mezi základní vlastnosti jader patří jaderný spin vytvářející vlastní magnetický moment. Jev nukleární magnetické rezonance je možný pouze u jader s lichým počtem nukleonů z důvodu vypárování při sudém počtu. Pro medicínské zobrazování se nejčastěji využívá vodík 1H, který je jako součást vody přítomný téměř v celém lidském těle. Umístí-li se objekt obsahující vhodné prvky s lichým počtem nukleonů (např. již zmíněný vodík) do vnějšího magnetického pole, dochází ke změně původně nahodilé orientace magnetického momentu jádra ve shodě s vnějším magnetickým polem a to buď paralelně, nebo antiparalelně. Za běžných podmínek má nepatrně větší převahu paralelní orientace. Magnetické momenty však nejsou přesně rovnoběžné s vnějším magnetickým polem. Jsou mírně vychýlené a vykonávají tzv. precesní pohyb kolem osy, která je orientována rovnoběžně s vnějším magnetickým polem. Výsledný vektor tkáňové magnetizace v elementárním objemu tkáně 12
má tedy určitou velikost a směr, který je shodný s vnějším magnetickým polem (vektor má jen podélnou nebo též longitudinální složku). Vlivem radiofrekvenčního pulzu dojde ke dvěma efektům. Jednak dojde ke zfázování precesního pohybu jednotlivých atomů, což má za následek vytvoření rotující složky vektoru magnetizace kolmé vůči vnějšímu magnetickému poli (tzv. příčná nebo transversální složka vektoru magnetizace). Druhý efekt se projeví změnou paralelní orientace některých spinů na antiparalelní orientaci a tím ke zmenšení podélné složky vektoru magnetizace. Po odeznění budícího radiofrekvenčního pulzu dochází k tzv. relaxaci, kdy se magnetické momenty postupně vracejí se zpět do základního stavu. Vektor tkáňové magnetizace má jen podélnou složku (orientovanou ve shodě s vnějším magnetickým polem). Během tohoto procesu je přebytečná energie uvolňována ve formě elektromagnetického signálu (FID). Důležitými parametry návratu zpět do základního stavu jsou relaxační časy T1 a T2. První z časů vypovídá o průběhu longitudinální magnetizace a druhý o průběhu transverzální magnetizace. Na rozdíl od klasické NMR spektroskopie, kde musí být vnější magnetické pole striktně homogenní, je základ tomografického zobrazení vytvořen pomocí gradientního pole. Je možné získat signál o úzkém profilu vzorku zasahujícího pouze do striktně vymezené oblasti – prostorové kódování a vznik tomografických řezů.
Obrázek 1: MRI templát pro SISCOM
13
CT neboli výpočetní tomografie je zobrazovací metoda pracující na principu snímání útlumu intenzity rentgenového záření vlivem průchodu daným objektem. Tento jev je zabezpečen uspořádáním zdroje rentgenového záření a detektoru na opačných pólech prstence rotujícího kolem těla pacienta. Výsledným zobrazením jsou poté jednotlivé řezy těla pacienta, ve kterých jsou jednotlivé voxely zobrazeny barevným odstínem příslušným k specifickému koeficientu útlumu. Rozdíl mezi MRI a CT vychází ze samotných principů zobrazeni. Zatímco magnetická rezonance nepřestavuje žádnou radiační zátěž pro pacienta a výsledné zobrazení má lepší rozlišení, při akutních stavech je upřednostňováno CT pro rychlost snímání. Stejně tak jako když je snímání MRI vyloučeno z důvodu kontraindikace (feromagnetické implantáty, kardiostimulátor, kochleární implantát), přistupuje se opět k CT snímání. CT je také mnohem vhodnější pro zobrazení některých typů tkání jako např. kostí, které jsou pro MR „neviditelné“ (neobsahují vodu). Mezi metody zobrazení funkčních změn se primárně řadí EEG neboli elektroencefalografie. Jedná se o snímání elektrické aktivity mozku. Zdrojem této aktivity jsou samotné nervové buňky při tvorbě a šíření akčních potenciálů. Limitace je dána nízkou vodivostí lebky, kde dochází k útlumu signálu. Výsledný signál má pak amplitudu v řádech desítek μV. V klasickém elektroencefalogramu se nacházejí čtyři základní rytmy tzv. specifické grafoelementy mozkové aktivity. Pro epileptické onemocnění jsou typické grafoelementy (hroty, ostré vlny, komplexy ostrá-pomalá vlna nebo komplex hrot-vlna). Název vlny
Frekvence
Výskyt (nepatologický)
α - alfa
8 - 13Hz
relaxace, zavřené oči
β - beta
13 - 30Hz
bdělý stav
θ - théta
4 - 7Hz
v dětském věku
δ - delta
0 – 4Hz
u dospělých ve spánku, u dětí
Tabulka 2: Základní rytmy mozkové aktivity (Hrazdira, 2004)
Mezi artefakty vyskytující se v EEG záznamech nejčastěji patří oční aktivita, činnost srdce a práce svalů, při kterých vzniká elektrický potenciál s větší amplitudou.
14
Funkční magnetická rezonance (fMRI) je speciálním typem MRI měření. V principu se jedná o změnu rezonančního signálu v závislosti na úrovni mozkové aktivity měřenou pomocí tzv. BOLD (Blood-Oxygen-Level-Dependent) efektu. Vzrůstající neurální aktivita je metabolicky náročná, což má za následek zvýšenou koncentraci oxyhemoglobinu. Právě hemoglobin vykazuje rozdílné magneticko-rezonanční vlastnosti v závislosti na stupni nasycení kyslíkem. Při plném nasycení (oxyhemoglobin) se chová jako diamagnetikum zatímco deoxyhemoglobin jako paramagnetikum (Amaro, 2006). Tato neinvazivní metoda umožňuje studovat neurální aktivitu v oblastech celého mozku a nepředstavuje pro pacienta žádnou radiační zátěž. O jednofotonové emisní tomografii (SPECT) bude pojednáno zvláště v kapitole 2.2, stejně tak jako o významu snímání změny distribuce radiofarmaka emitujícího γ-záření vlivem rozdílného prokrvení při iktální a interiktální fázi v kapitole 2.3. PET – pozitronová emisní tomografie stejně jako SPECT spadá do kategorie nukleárních zobrazovacích metod. Sleduje se rozložení radiofarmaka s krátkým poločasem rozpadu. Radiofarmakum je β+ zářič a vlivem radioaktivní přeměny dochází k emisi pozitronů. V prostředí bohatém na elektrony dojde brzy po emisi pozitronu k anihilaci elektron-pozitronového páru a vzniku dvou kvant γ-záření. Tyto fotony mají stejnou energii, ale opačný směr šíření a jsou detekovány koincidenčními detektory. Záznam je uskutečněn pouze v případě, že oba protilehlé detektory zaznamenaly záření současně. Jako u ostatních tomografických metod výsledkem jsou tomografické řezy těla pacienta s tím, že jednotlivé voxely nesou informaci o odpovídající míře aktivity v dané jednotce. PET se v epileptologii nejčastěji využívá pro zjištění stavu metabolismu, krevního průtoku danou oblastí, distribuce benzodiazepinových a opiodních receptorů nebo farmak či pH (Vojtěch, 2005). Jako velice výhodné se ukázalo skloubení vlastností těchto dvou skupin zobrazení. Kombinace snímků dávají výborné prostorově morfologické rozlišení postižených oblastí společně s funkčními charakteristikami. Dochází tak k přesné lokalizaci těchto funkčních změn. V současné době se můžeme v nukleární medicíně setkat s PET-CT či SPECT-CT. Ve stádiu vývoje jsou systémy pracující na principu spojení nukleárního zobrazení a magnetické rezonance (Zaidi, 2006). Tyto by poskytovali lepší prostorové rozlišení a nižší radiační zátěž. Jejich konstrukční řešení je ale limitováno právě přítomností silného magnetického pole, které může zásadně ovlivňovat detekci gama fotonů. V oblasti neurologie se jako velice nadějná prosazuje kombinace EEG-fMRI. 15
2.1.3.4
Léčba epilepsie
Metodou první volby při léčbě epilepsie je jednak nastavení režimových opatření a samozřejmě farmakologické léčba. Režimová opatření spočívají v pravidelném užívání léků, pravidelném spánkovém režimu, zákazu všech činností, při kterých by v případě záchvatu mohl být ohrožen život jak pacienta, tak jiné osoby. U sekundární epilepsie léčba směřuje
k odstranění
primárního
onemocnění,
které
záchvaty
vyvolalo.
Volba
antiepileptika se určuje podle typu epileptického syndromu a sleduje se následná kompenzace onemocnění, přičemž nedochází-li k ní, pak je antiepileptikum nahrazeno za jiné, popřípadě dochází ke kombinaci dvou či tří antiepileptik. Většina epilepsií je medikamentózně dobře kompenzována a dochází k remisi. V případě, že epilepsie je farmakorezistentní, existuje u některých typů epilepsií možnost řešení ve formě epileptochirurgie. Tento přístup ovšem vyžaduje následující podmínky - epilepsie musí být farmakorezistentní, epileptochirurgický zákrok musí přinést předpoklad zlepšení kvality života, dále musí být diagnostikována parciální epilepsie včetně lokalizace epileptogenní zóny v resekovatelné oblasti (Vojtěch, 2005). Další metodou spadající do oblasti neurochirurgického zákroku je implantace vagového stimulátoru. Stimulace nervu vagu má prokazatelný vliv na synchronizaci elektrické aktivity mozku tím, že dlouhodobě pozitivně působí na zvýšení hladiny inhibičně působící γ-animomáselné kyseliny (Novák, 2004).
16
2.2
Jednofotonová emisní tomografie (SPECT)
2.2.1 Historie SPECT Historie kapitoly nukleární medicíny je nejvíce spjata se jménem maďarského fyzika, nositele Nobelovy ceny, George Hevesyho. Pokud pomineme jeho první pokusy sledovat pomocí radioaktivního značení, kde končí nedojedené maso z jeho stolu, kdy spořivost jeho paní domácí byla odhalena, když se mu na jídelní stůl vrátilo v jiné podobě, Nobelovu cenu získal za objevy spojené s růstem rostlin v radioaktivním prostředí, tedy interakcí fyziologického systému a radioaktivního olova. Nedlouho poté neurochirurg Harvey Cushing v bostonské nemocnici léčil pacienta s komplexními bolestmi hlavy a velmi zvláštním sluchovým vjemem doprovázejícím zrakové podněty. Během složité operace byla u vizuálního kortexu nalezena cévní malformace, která nemohla být odstraněna. Ovšem během dokončování operace došlo ke vzniku drobného defektu při uzavírání lebky a právě tento defekt umožnil Cushingovi poslouchat a dokonce i zaznamenávat tyto zvukové abnormality, které se objevovali při snaze pacienta použít oči ke čtení (Kelves, 1997). Tím byla poprvé úzce prokázána spojitost mezi zvýšeným krevním průtokem a aktivací mozkových funkcí. Opravdovým milníkem pro rozvoj nukleárních zobrazovacích metod byly objevy v oblasti umělých radionuklidů, zejména technecia. První SPECT (single photon emission computed tomography) přístroj byl sestrojen Kuhlem v roce 1968 a znamenal průlom ve sledování funkčních fyziologických procesů. Přístroj vznikl zdokonalením systému SPET (single photon emission tomography), jež při své činnosti nevyužíval počítač. Prvotní uspořádání tohoto přístroje využívalo stacionární kameru a rotaci samotného pacienta. V roce 1974 byl SPECT poprvé použit Lassenem ke sledování toku krve mozkem, a tím k funkčnímu mapovaní centrální nervové soustavy (Kelves, 1997). V současné době je jednofotonová emisní tomografie nepostradatelnou zobrazovací metodou. Své zastoupení má zejména v nukleární medicíně, neurologii, kardiologii či onkologii. Ve srovnání s planární scintigrafií poskytuje SPECT jednu nepostradatelnou výhodu, a tou je tomografické zobrazení. Pozitronová emisní tomografie má sice lepší rozlišovací schopnost, ale v její neprospěch oproti SPECT hovoří zejména ekonomické parametry, jako jsou vyšší pořizovací náklady a cena vhodných radionuklidů.
17
2.2.2 Základní pojmy užívané v nukleární medicíně - Atom je nejmenší hmotnou a chemicky nedělitelnou částicí. Skládá se z elektronového obalu a jádra s protony a neutrony. Každý atom je definován pomocí protonového a neutronového čísla. Protonové číslo udává počet protonů a neutronové zase neutronů v jádře. Celkový počet částic je reprezentován hmotnostním číslem.
, kde A
je hmotnostní (nukleonové) číslo (A=Z+N), Z je protonové číslo, n reprezentuje náboj a y stupeň polymerizace. Dle těchto parametrů je možné atomy dále dělit do skupin se zachovaným Z, N a A číslem. Prvek je pak množina atomů se stejným protonovým číslem, nuklid je označení pro prvky se stejným Z i N. Pro skupinu prvků se stejným nukleonovým číslem A se užívá označení izobary. Pokud je prvek ve svém zastoupení tvořen několika typy jader, mají stejné protonové, ale odlišné nukleonové číslo. Hovoříme o nich jako o izotopech daného prvku. - Radioaktivita je jev spjatý s nestabilitou jádra. Principielně jde o přeměnu původního (mateřského) nuklidu na zcela jiný (dceřiný) za současné eliminace jedné čí více elementárních částic.
Radioaktivní rozpad je děj zcela nahodilý a samovolný, ovšem podléhající zákonům o zachování hmotnosti, energie, nukleonového (A=A1+A2) a protonového (Z=Z1+Z2) čísla. Z energetického hlediska se vždy jedná o děj exoergický, jelikož při radioaktivním rozpadu dochází k uvolnění energie. Z hlediska uvolněné energie mohou nastat dva případy. Buď je dceřiný produkt po skončení reakce v základním stavu, pak je veškerá uvolněná energie vázána na kinetickou energii částice, nebo je dceřiný produkt v excitovaném stavu a při přechodu produktu na základní stav (deexcitace) dochází k vyzáření fotonů γ-záření. - Typy přeměn – v závislosti na změně protonového či nukleonového čísla rozlišujeme tři základní skupiny radioaktivních přeměn. Při současné změně jak Z tak A se jedná o přeměny vázané na emisi α částic, nukleonů nebo štěpení jader. Pokud zůstane zachováno nukleonové a změna nastane u protonového čísla, jedná se o typ β přeměny. Při zachování A i Z je změna spjata s deexcitací jádra – přeměny γ a vnitřní konverze.
18
- Aktivitou A se rozumí změna počtu radioaktivních jader vztažená na jednotku času , kde λ je přeměnná konstanta. Rozměrem aktivity je Becquerel (Bq), což představuje rozpad jednoho atomu radionuklidu za sekundu. - Poločas přeměny T1/2 je doba, za kterou klesne aktivita právě na polovinu své původní hodnoty, stejně tak jako se přemění právě polovina atomů radionuklidu. U většiny radionuklidů vhodných pro radiofarmaka se jedná o poločasy v řádech hodin či minut z důvodu minimalizace radiační zátěže pacienta. - Biologický poločas – tento časový interval udává eliminaci právě jedné poloviny radioaktivní látky z organismu za pomoci fyzikálních, fyziologických, chemických a biochemických procesů. - Efektivní poločas – tento poločas zohledňuje jak vliv biologického tak poločasu přeměny vztahem
(Hrazdira, 2004).
- Účinky záření – při průniku ionizujícího záření do živého organismu může docházet k poškození jak mechanizmem přímého účinku, tak nepřímo. Přímým účinkem se rozumí zásah a znehodnocení biomakromolekuly (např. DNA) ionizující částicí nebo sekundárním elektronem vznikajícím vlivem γ nebo RTG záření. Dalším jevem vyskytujícím se při absorpci ionizujícího záření živým organismem je radiolýza vody. Interakce jejích produktů pak mají za následek účinky nepřímé. Dále je možné dělení účinků ionizujícího záření z hlediska následků a radiační ochrany na účinky deterministické a stochastické. Deterministické jsou účinky charakterizovány jistou prahovou
dávkou,
po
jejímž
prolomení
se
následky
dostaví
s vysokou
pravděpodobností. Následky se objevují brzy po ozáření a se zvyšující se dávkou roste stupeň poškození. Dochází k nim vlivem poškození nebo smrti velkého počtu buněk. Mají proto somatický charakter. Do této skupiny patří nemoc z ozáření a radiodermatitida. Naopak pro stochastické účinky prahová dávka neexistuje. Ty jsou charakterizovány určitou pravděpodobností, se kterou se vyskytují. Všechny nastupují v pozdní fázi někdy i ob generaci a stupeň poškození je nezávislý na dávce. Tento model je založen na poškození třeba i malého počtu buněk. Poškození je buď genetického, nebo somatického charakteru v závislosti na typu poškozených buněk. - Absorbovaná dávka – z hlediska přenosu energie ionizujícího záření a jejich interakce s hmotou je patrné, že stejná dávka bude z hlediska možnosti poškození pro jednotlivé typy záření různá. Každý typ záření má jinou biologickou účinnost. Právě 19
proto je stanovena veličina ekvivalentní dávka, která zohledňuje vliv druhu záření. , ekvivalentní dávka HT je dána součinem fyzikální dávky v orgánu nebo tkáni DT a radiačního váhového faktoru wR a její jednotkou je Sv (Sievert). Pokud
k ekvivalentní
dávce
přidáme
navíc
tkáňový
váhový
faktor
wT,
, dostaneme efektivní dávku, zahrnující nejen vliv typu záření, ale i citlivost jednotlivých orgánů vůči ionizujícímu záření (Hála, 1998). -
Radiační ochrana - radiační ochranou je systém technických a organizačních opatření k omezení ozáření fyzických osob a k ochraně životního prostředí daný zákonem č. 18/1997 Sb. (o mírovém využívání jaderné energie a ionizujícího záření - atomový zákon) a doplněn příslušnými vyhláškami.
2.2.3 SPECT principy SPECT patří do skupiny emisních, tomografických a nukleárních zobrazovacích metod. Z tohoto vyplývá, že metoda je založena na sledování aktivity radionuklidu v závislosti na jeho distribuci v těle pacienta. Zdrojem záření tvořícího obraz (informaci) je sám pacient respektive radionuklid specificky vázaný na sledovanou funkci tkáně či orgánu. Výsledným výstupem je série počítačově rekonstruovaných 2D tomografických řezů těla pacienta tvořících 3D obraz. Principy SPECT vycházejí skloubením technik planární scintigrafie a tomografických metod (např. CT – výpočetní tomografie, ta je ovšem transmisní).
2.2.3.1
Interakce γ-záření s hmotou
Protože γ-záření nenese žádný náboj, nemůže docházet k přímé ionizaci prostředí. Jedná se o nepřímou ionizaci a absorpce je uskutečňována následujícími procesy. Pod termínem fotoefekt se skrývá první z možných způsobů interakce γ-záření s hmotou. Ve své podstatě se jedná o předání veškeré možné energie fotonu ve prospěch elektronu vázaného v elektronovém obalu. Na jedné straně zde máme zánik fotonu, jehož část energie se přeměnila na zrušení vazebné energie elektronu v elektronovém obalu, zbytek na energii kinetickou, na straně druhé prázdné místo po vyraženém elektronu. Na uvolněné místo ihned přeskočí elektron z vyšší vrstvy elektronového obalu a energetický rozdíl tohoto přechodu je 20
vyzářen ve formě fotonu charakteristického rentgenového záření. Nezářivým alternativním zakončením fotoefektu je předání energie elektronu ve vyšší vrstvě, jež opustí obal jak tzv. Augerův elektron. Tento efekt se uskutečňuje pro záření s nižšími energiemi, především když je tato energie jen o něco vyšší než je vazebná energie elektronů. Druhým typem interakce je Comptonův rozptyl. Jedná se o předání části energie γ fotonu volnému nebo vázanému elektronu při zachování platnosti zákona zachování energie a hybnosti. Foton interaguje s elektronem a předá mu část své energie. Následkem této interakce dochází ke změně původního směru γ fotonu. Změna energie elektronu se projeví jako energie kinetická a dle uvedeného vztahu je úměrná velikosti úhlu rozptylu. , kde Δλ je změna vlnové délky dopadajícího fotonu, h/mc se nazývá Comptonova vlnová délka a φ je úhel rozptylu (Halliday, 2003). Za určitých okolností je možné, že se gama foton při průchodu látkou změní na elektron-pozitronový pár
. Existují ovšem dvě nutné podmínky pro tento
jev. Energie gama fotonu musí být vyšší než dvojnásobek klidové energie elektronu (2*0,51MeV) a nutná je také přítomnost atomového jádra absorbujícího část hybnosti pro platnost zákona zachování hybnosti. Po vzniku elektron-pozitronového páru v látce zůstane pouze elektron, protože pozitron krátce po vzniku anihiluje s jiným elektronem za opětovného vzniku gama záření. Ve všech těchto příkladech vzniklé částice přímo ionizují okolní prostředí do té doby, než postupně jednotlivými srážkami ztratí svoji energii. Existence dalších typů interakce γ-záření není z hlediska nukleární medicíny podstatná, ať už se jedná o vysoce energetické ionizující, jako jsou jaderný fotoefekt popř. rezonanční jaderná absorpce, nebo neionizující interakce. Míru útlumu γ-záření v látkovém prostředí lze popsat níže uvedou rovnicí. Intenzita v daném bodě I(X) se oproti původní I0 exponenciálně zmenšuje v závislosti na lineárním absorpčním koeficientu μ a tloušťce daného materiálu x (Hála, 1998).
21
2.2.3.2
Detekce γ-záření
Zařízení sloužící k detekci γ-záření emitovaného radionuklidem se u jednofotonové emisní tomografie, stejně jako u klasické scintigrafie, nazývá gamakamera. Většina gamakamer využívaných v nukleární medicíně vychází z principu scintilační detektorové kamery sestrojené H. Angererem v roce 1958 a její základní schéma je zobrazeno na obrázku 2.
Scintilační krystal
Kolimátor
Fotonásobič
Sumační a polohové obvody
Zobrazení
Obrázek 2: Schéma scintilační kamery
Emitované γ-záření se po opuštění pacientova těla jako první z kaskády elementů gamakamery setká s kolimátorem. Kolimátor je zařízení sloužící k odstínění fotonů, které jsou nevhodné pro vyhodnocení rozložení radiofarmaka v těle. Pro následné přesné zobrazení je zapotřebí co nejpřesnější detekce fotonů vztažená na detekční rovinu scintilačního média. Účelu zařízení, přesnému vymezení směru fotonů průchozích k detekčnímu elementu, je docíleno clonou, respektive množstvím kanálků ve stínícím materiálu. V nukleární medicíně jsou kolimátory děleny do skupin dle svých charakteristik, jako jsou jejich geometrie (kolimátory paralelní, divergentní, konvergentní, pinhole či fanbeam). Paralelní kolimátory se dále dělí dle energie detekovaného γ-záření (E1). Dalším již detekčním elementem gamakamery je scintilační krystal nejčastěji jodidu sodného aktivovaného thaliem NaI(Th). Při průchodu γ-záření do tohoto anorganického krystalu dochází k interakci fotonu s elektrony uvězněnými v energetických pásech. Změnou jejich energie a reakcí s luminiscenčními centry dochází k emisím kvant viditelného světla. Tyto záblesky
jsou
světlovodného
z důvodu prostředí
zabránění na
reflexních
fotokatodu
ztrát
fotonásobiče.
přivedeny
prostřednictvím
Fotonásobič
je
vakuová
elektrosoučástka sloužící k převodu optické informace (počet fotonů je úměrný počtu scintilací a tím radionuklidem emitovaného γ-záření) na elektrický signál. Foton dopadající na fotokatodu z materiálu s nízkou výstupní prací vyráží elektron, jenž je pomocí urychlovacího napětí fokusován na první ze systému dynod. Při dopadu urychleného elektronu na dynodu dochází vlivem nízké výstupní práce materiálu dynody k emisi více 22
než jednoho elektronu, které jsou díky postupně se zvyšujícímu urychlovacímu napětí fokusovány na další dynodu. Tento efekt se postupně opakuje a jeden elektron emitovaný na fotokatodě se tak po průchodu systémem dynod před anodou zmnohonásobí. Posledním článkem zpracovávajícím vzniklé elektrické signály před samotným zobrazením jsou sumační a polohové obvody. Prostřednictvím těchto obvodů je možné určit jak přesnou polohu zdroje emitovaného γ-záření, tak i analyzovat jeho energii. Fotonásobič nejbližší místu vzniku scintilace zaznamená největší amplitudu impulzu, naopak tomu bude u fotonásobiče nejvzdálenějšího. Přesný systém fotonásobičů nasedajících na scintilační krystal (nejčastěji v maticové či hexagonální formaci) je tak díky svému rozložení schopen zaznamenat polohu scintilace. Sumační obvody zase sčítají jednotlivé příspěvky od všech fotonásobičů a na výstupu jsou tak schopné sdělit informaci o celkové energii uvolněné během scintilace, tedy o energii γ-záření. Tato informace slouží pro selekci pouze γ fotonů odpovídajících fotopíku gama zářiče – absorpce energie ve scintilačním krystalu fotoefektem. Následkem prudkého vývoje výpočetní techniky a její implementace do všech oborů, se digitalizace uplatnila i u gamakamer a AD převodníky jsou běžnou součástí výstupu fotonásobičů. Mezi nejdůležitější parametry gamakamery patří její prostorová rozlišovací schopnost, to jest nejmenší možná vzdálenost dvou radioaktivních bodových zdrojů, které je možné detekovat a bezpečně je od sebe rozlišit. Jinak řečeno se prostorovou rozlišovací schopností rozumí šířka profilu v obraze bodového zdroje záření v polovině jeho výšky. Označuje se FWHM (full width at half maximum) a běžně se udává v milimetrech (E2).
2.2.3.3
Vznik a rekonstrukce SPECT obrazu
Jak již bylo zmíněno, principem zobrazovacích technik spadajících do oblasti nukleární medicíny je sledování aktivity radionuklidu vázaného v organismu. U SPECT se sledování uskutečňuje prostřednictvím akvizice skupiny jednotlivých planárních snímků pacienta pro různé úhly (uspořádání ve formě gama kamery rotující kolem těla pacienta) v rozmezí 0° 360°. Pro usnadnění a rychlejší snímání jsou moderní SPECT přístroje vybaveny i více než jedním detektorem s možností různým nastavením jejich vzájemné pozice (Jan, 2005). Proces vzniku jednoho řezu bude vypadat následovně: gama kamera snímá aktivitu radionuklidu nad tělem pacienta v počáteční pozici pod úhlem 0°, po skončení akviziční doby dojde k uložení informace do paměti počítače ve formě jednoho řádku sinogramu, 23
tento krok se následně opakuje pro všechny akviziční úhly. Sinogram je pomocný obraz tvořený nasnímanými signály v závislosti na úhlu akvizice – jeden řádek sinogramu odpovídá jednomu snímku z jednoho akvizičního úhlu. Následná počítačová rekonstrukce těchto snímků do 2D zobrazení příčných řezů těla pacienta zobrazuje rozložení aktivity radionuklidu vázaného v těle, tkáni pacienta. Z principu tomografických technik je patrné, že místo jednoho příčného řezu bude cílem zisk jejich souboru tvořícího 3D zobrazení.
2.2.3.4
Filtrovaná zpětná projekce
Vznik tomografických snímků z nasnímaných dat (sinogramu) se pomocí výpočetní techniky uskutečňuje prostřednictvím dvou odlišných rekonstrukčních algoritmů. Mezi analytickými metodami je pro svou jednoduchost využívána filtrovaná zpětná projekce (Filtered Back Projection). Ta vychází z nejjednoduššího zobrazení zpětnou projekcí, která neprovádí rekonstrukci v pravém slova smyslu. Postupným zpětným promítáním projekcí do virtuálních matic vzniká po jejich superpozici matice s hodnotami jednotlivých pixelů odpovídající prostorovému rozložení aktivity radionuklidu v tomografickém řezu těla pacienta (Drastich, 2004). Tento postup ovšem plně neodpovídá skutečnému rozložení, vznikají při něm, vlivem omezeného počtu projekcí a konečnému tvaru akviziční matice, artefakty hvězdicovitého tvaru, a proto je nutné jej doplnit o vhodnou filtraci. Spojením této metody s vhodným filtrem vzniká filtrovaná zpětná projekce. Následný rekonstrukční proces začíná převedením získaného signálu (jednoho řádku sinogramu) Fourierovou transformací do frekvenční oblasti, kde dochází k filtraci – zesílení či zeslabení jednotlivých frekvenčních složek pomocí příslušné funkce. Poté je signál převeden zpět do prostorové oblasti inverzní Fourierovou transformací a následně dochází k zpětné projekci filtrovaných projekcí (Bruyant, 2002).
2.2.3.5
Iterativní metody rekonstrukce
Zcela jiným přístupem k rekonstrukčnímu procesu je algoritmus iterativních rekonstrukcí. Metoda je založena na hledání maximální možné shody mezi očekávaným modelem a skutečnými projekcemi. Celý proces je zahájen odhadem očekávaného výsledku. Pro tento první odhad se může zvolit jakýkoli obraz, ale je vhodné zvolit buď matici s konstantními hodnotami ve všech polích (nejjednodušší příklad je matice s hodnotou 0 ve 24
všech polích), nebo se využívá obrazu filtrované zpětné projekce. Tento prvotní odhad se v následujícím kroku převede dopřednou projekcí na jednotlivé projekce a porovnává s již naměřenými projekcemi (E2). V případě nesouladu dochází pomocí zpětné vazby ke korekci původního odhadu a tento dále vstupuje do iteračního procesu. Proces se automaticky opakuje do naleznutí maximální shody nebo do skončení určitého předem navoleného počtu iteračních cyklů. Je patrné, že oproti analytickým metodám FBP je tento model mnohem náročnější na kapacity výpočetní techniky. Naopak výhodou zůstává možnost zapojení korekcí fyzikální a statistické povahy do těchto algoritmů.
- MLEM - Maximum Likelihood Expectation Maximization - OSEM - Ordered Subsets Expectation Maximization
Obrázek 3: Model iterativní rekonstrukce (E2)
25
2.2.4 Radiofarmaka v neurologii Principy nukleární medicíny se opírají o jev radioaktivní přeměny. Radiofarmaka jsou látky, které za pomocí navázaného radionuklidu umožňují zobrazení či léčbu. Možnosti přípravy radiofarmaka jsou velice různorodé, principem je na vhodný nosič navázat stopovatelný radionuklid. Nesmí tím být ovšem narušena jeho biologická ani biochemická funkčnost. Látky nesoucí radionuklid jsou voleny přesně podle potřeby sledovaných funkčních projevů. Mohou to být jak jednoduché anorganické sloučeniny, organické molekuly, proteiny, krevní elementy, buňky, tak i složité imunochemické komplexy. Mezi základní charakteristiky radiofarmak z fyzikálního hlediska patří: - aktivita - poločas přeměny - biologický poločas - efektivní poločas - typ záření - energie záření Jednou z možností zisku radionuklidů pro výrobu stopovatelných nebo terapeutických farmak je využití možnosti nastolení radioaktivní rovnováhy mezi mateřským a dceřiným produktem v tzv. generátorech. Důležitou roli zde hrají jednotlivé poločasy přeměny jak dceřiného, tak mateřského nuklidu. Jedním z typů těchto generátorů je
99
Mo/99mTc.
Principielně se jedná o radioaktivní přeměnu molybdenu na metastabilní technecium, které je zdrojem snadno stopovatelného γ záření. Dalším způsobem zisku radionuklidu je ozařování neradioaktivních terčů urychlenými vysoce energetickými kladně nabitími částicemi, jež svoji energii získají v cyklotronu. Radioaktivní prvky je také možné získat díky procesům odehrávajících se uvnitř jaderného reaktoru. Jak je známo, v každé generaci štěpné reakce dohází ke vzniku jak štěpných produktů, tak neutronů. Právě pomalé, tepelné neutrony mohou proniknout do jader nuklidů a dát tak za vznik radioaktivnímu izotopu (Hála, 1998). Pro studium CBF a rCBF za pomocí SPECT se hodí radiofarmaka, jejichž koncentrace je přímo úměrná hodnotám krevního průtoku. V následující tabulce jsou vypsány.
26
Chemický název
Zkratka
Tc 99m – hexametylproylenaninooxin
Tc 99m-HMPAO lipofilní sloučeniny, po průchodu hematoencefalickou Tc 99m-ECD bariérou vstupují přímo do nervových buněk
Tc 99m – etylcistenát dimer
Charakteristika
I 123 – isopropyl iodoamfetamin
I 123 - IMP
průchod přes hematoencefalickou bariéru a vazba na amfetaminové receptory neuronů
Xenon 123
Xe 123
lipofilní inertní plyn
Tabulka 3: Radiofarmaka pro SPECT snímání rCBF (Thrall, 1995)
27
2.3
SISCOM
SISCOM – Subtraction ictal/interictal SPECT coregistered to MRI neboli subtrakce (rozdíl) iktálního a interiktálního snímku jednofotonové emisní tomografie proloženého přes magneticko-rezonanční snímek je skvělým příkladem mezioborové fuze, skloubením několika různých modalit, které do sebe postupně zapadají, vytvářejí celek a znásobují tak informační zisk (O´Brien, 1999). Rozebráním jednotlivých složek je možné objasnit jejich přínos. Iktální/interiktální SPECT – je patrné, že zvýšení mozkové aktivity je spjato se zvýšeným metabolismem a tím i zvýšeným CBF v dané lokalitě. Jelikož je možné pomocí radionuklidu sledovat distribuci radiofarmaka v těle pacienta, pak právě takto můžeme onu oblast zvýšené aktivity dané látky vystopovat. Přínos radionuklidového sledování spočívá také v možnosti nejen staticky sledovat požadovanou lokalitu, ale rovněž dynamicky zachytit děj jako výsledek opakování statického snímání v různém čase, navíc obohaceného o 3D tomografické zobrazení. Zde se zapojuje další část skládanky v podobě iktálního/interiktálního rozdílu - subtrakce (Zubal, 1995). V iktální fázi, respektive v době nástupu epileptického záchvatu, dochází k rapidnímu zvýšení CBF (prokrvení) právě z potřeby zvýšeného metabolismu. K odlišení normální a patologické aktivity je potřeba zjistit, který z výsledných hyperperfundovaných regionů mozku je aktivní v době nástupu záchvatu a můžeme mu tak přiřadit funkci epileptogenní zóny. K tomuto účelu slouží právě druhý snímek, a to interiktální z období mezi záchvaty, v němž patologické ložisko aktivní v době nástupu záchvatu nenalezneme. V některých případech je možné nalézt v interiktálním období i přesný opak – hypoperfuzi. Následnou subtrakcí výsledných snímků docílíme výsledného zvýraznění oblastí se zvýšenou aktivitou spjatou s nástupem a průběhem epileptického záchvatu. Podání radiofarmaka hraje pro výslednou přesnou lokalizaci důležitý faktor. Klíčové je podání radionuklidu v časné fázi epileptického záchvatu (jako počátek se většinou označuje změna EEG signálu s výskytem signifikantních znaků, nástup aury nebo motorických projevů). Některé studie se zabývají přínosem post-iktálního podaní z důvodů nesnadnosti aplikace radiofarmaka v době záchvatu nebo pro krátkou dobu jeho trvání. Interiktální snímek je vázán na minimálně 24 hodin bez záchvatu (Kaiboriboon, 2005). Pro oba tyto účely je nutné dlouhodobé monitorování pomocí video EEG snímání. Jednofotonovou emisní výpočetní tomografii je možné provádět i několik hodin po intravenózním podání radionuklidové dávky. Díky 28
lipofilnímu charakteru se po aplikaci dostává do krevního oběhu, prostupuje přes hematoencefalickou bariéru a v časné fázi záchvatu se dostává do míst předpokládaného epileptického ložiska (eventuálně do míst, kam se epileptická aktivita v průběhu konkrétního záchvatu rozšířila), kde se usadí v nervových buňkách a její koncentrace je přímo úměrná mozkové aktivitě (metabolismu) a radioaktivitě (Thrall, 1995). Poslední díl skládanky dotvářející celek obstará proložení (koregistrace) vůči snímkům magnetické rezonance. Z hlediska možnosti prostorového rozlišení jednofotonové emisní výpočetní tomografie, řádově 10mm, je pro zisk přesné lokalizace ložiska výhodnější využití modality s nejlepším prostorovým rozlišením. Možností, jak iktální/interiktální snímky hodnotit, je mnoho, od vizuálního hodnocení, přes jednoduché výpočty až po komplexní postupy pro zpracování a statistickou analýzu obrazů, jež pracují na bázi voxel-by-voxel analýzy. Mezi programy, které se dají využít pro komplexní zpracování a statistickou analýzu SPECT snímků (tedy i SISCOM) patří např. SPM (Statistical Parametric Mapping - kapitola 3.3.2) (Barba, 2009). V současné době již není celý proces pouhou subtrakcí dvou snímků, ale čítá řadu operací, jež mají za následek zkvalitnění výsledné obrazové interpretace a zvýšení přesnosti umístění ložiska. Mezi těmito operacemi nechybí lícování (koregistrace) snímků, prostorová normalizace (transformace) snímků k SPECT šabloně, prostorová filtrace (vyhlazení) a výpočty rozdílů iktálních/interiktálních snímků. Z hlediska rozdílnosti anatomicko-fyziologických struktur v rámci individuality pacienta se v současné době do některých kroků výpočtu dosazuje statistická veličina, která zajišťuje objektivnější posuzování. Takovými nastaveními základního modelu jsou např. systémy ISAS (Interictal-Ictal SPECT Analyze by SPM) využívající ve svých analýzách srovnávání jednotlivých patologických snímků se snímky zdravé populace (McNally, 2005) nebo systém STATISCOM (Statistical Ictal SPECT coregistered to MRI) pracující na podobném principu sloužící k objektivnímu srovnání více SPECT studií (Kazemi, 2010). Hlavními kroky při zpracování iktálních a interiktálních snímků jsou (E3): -
lícování (koregistrace, realignment) slouží k přesnému sesazení iktálního a interiktálního snímku. Jelikož jsou tyto snímky získány nezávisle ve dvou vyšetřeních, není pozice a orientace hlavy ve snímcích stejná. Také rekonstrukce probíhají většinou bez přihlédnutí k orientaci dříve získaného 29
a rekonstruovaného snímku a nemohou zaručit přesné lícování. K lícování se většinou využívá plně automatického algoritmu (s předpokladem přibližně podobné polohy a orientace snímků, který můžeme zajistit ruční předregistrací), který se snaží odhadnout parametry transformace jednoho snímku vůči druhému. Obvykle se využívá šestiparametrová rigidní transformace - posuny v osách x, y, z a rotace podél os x, y, z (Ashburner, 2008) -
tří-dimenzionální prostorová normalizace (spatial normalization). Jedná se o prostorovou transformaci do standardního stereotaktického prostoru určeného SPECT šablonou, která je obvykle vytvořena ve shodě s obvykle používaným stereotaktickým prostorem v neurologii. Cílem prostorové normalizace je standardizace tvaru a pozice snímků. Dochází tím ke ztrátě originálních proporcí. Metodu je nutné využít, pokud bude hodnocení provedeno na základě statistické analýzy více subjektů (např. při využití snímků zdravých osob jakožto určité normy). V případě, že provádíme pouze jednoduchou subtrakci snímků jedné osoby, není metoda nutná a naopak může být v některých případech přímo nežádoucí. Normalizace implementovaná v SPM se skládá z určení optimálních parametrů afinní transformace (celkem 12 parametrů: 3 posuny, 3 rotace, 3 škálování a 3 střihy) a odhadu nelineárních deformací (Ashburner, 2008).
-
prostorové vyhlazení (smoothing) k němuž dochází aplikací Gaussova filtru má za úkol potlačení šumu a zajištění aby efekty mezi různými osobami byly ohodnoceny v rozumném prostorovém měřítku s respektováním funkční anatomie. Filtr je určen pomocí nastavení FWHM v mm.
-
maskování (masking) slouží k odstranění nerelevantních voxelů (např. artefaktů a nemozkových struktur) z následné analýzy. K maskování můžeme využít šablonou mozku (pokud jsou snímky normalizované do standardního prostoru) nebo intenzitní práh (např. určený na základě histogramu). Při maskování také můžeme zajistit, aby pro analýzu byly ponechány jen voxely mozku, které se nacházejí v obou snímcích. Tím dokážeme potlačit artefakty vzniklé neúplným nasnímáním nebo neúplnou rekonstrukcí.
-
normalizace intenzity snímků slouží k vyrovnání průměrného jasu iktálního a interiktálního snímku. Jelikož se pro iktální a interiktální SPECT někdy používají rozdílná radiofarmaka, je rozdílný čas od aplikace radiofarmaka po 30
akvizici dat a rozdílná doba akvizice, vykazují iktální a interiktální snímek často velmi odlišné úrovně intenzity obrazu. Aby byly počítané rozdíly relevantní, je nutné zajistit stejnou průměrnou intenzitu v obou snímcích (uvažujeme, že hledané rozdíly představují jen malé množství objemu mozkové tkáně a neovlivní významně celkovou intenzitu snímku) -
výpočet a hodnocení rozdílu upravených iktálních a interiktálních snímků. Základním přístupem je prostý odečet dvou snímků. Pro hodnocení rozdílového snímku se pak nabízí dva přístupy. První přístup považuje za významné všechny voxely v nichž rozdíly překročí určité procento z maximálního rozdílu v obraze (ten zjistíme prohledáním rozdílových hodnot ve všech voxelech). Obvykle se používá prahová hodnota 70% nebo 75%. Nevýhodou přístupu může být vysoký práh způsobený arteficiálními rozdíly při špatném slícování, neúplném snímání či rekonstrukci apod. Druhý přístup využívá ke stanovení významného rozdílu směrodatnou odchylku rozdílů spočtenou přes všechny voxely. Následně jsou za významné považovány ty voxely v nichž rozdíl překročí např. 2,5 násobek směrodatné odchylky. Pokročilejším způsobem výpočtu a hodnocení je statistické zpracování rozdílu vzhledem k zdravé populaci. Pro tento přístup je nutné mít referenční sadu SPECT snímků zdravých jedinců získaných za obdobných podmínek jako snímky pacientů. Pomocí statistického modelu se nezávisle v každém voxelu hodnotí velikost rozdílu mezi snímky pacienta vzhledem k typickým rozdílům vyskytujícím se ve zdravé populaci (a tedy způsobených náhodně). Místa, v nichž se nahodile vyskytují velké rozdíly mezi dvěma SPECT snímky téhož jedince anebo místa, která jsou mezi jedinci nekonzistentní a vyžadují k významnosti větší rozdíl u sledovaného pacienta než ta, která vykazují menší a konzistentnější rozdíly. K hodnocení se používá obvykle t-statistika, přičemž prahovou hodnotu určíme na základě zvolené hladiny významnosti.
Přesná
lokalizace
epileptogenní
zóny
je
zásadním
předpokladem
k epileptochirurgickému zákroku. Metodou první volby pro zaměření oblasti vzniku epileptického záchvatu je, stejně jako v diagnostice, elektroencefalografie. Interpretace těchto dat ovšem vyžaduje značnou odbornou zkušenost. Z hlediska zobrazovacích metod jsou to MRI, pozitronová emisní tomografie prostřednictvím sledovatelné Fluor-DeoxyGlukózy, prostý iktální SPECT a samozřejmě SISCOM (Kim, 2009). 31
3
Materiál a metody
3.1
Soubor pacientů
Všichni vyšetření jedinci byly pacienty I. Neurologické kliniky Fakultní nemocnice u svaté Anny v Brně, kteří byly zařazení do epileptochirurgického programu v letech 2004-2008. Dělení souboru pacientů je provedeno do dvou skupin následovně: -
první skupina (pacienti č. 1 až 4) mající k dispozici kompletní trojici rekonstrukcí (FBP, 2D OSEM, 3D OSEM) jak pro iktální, tak i pro interiktální SPECT.
-
ve druhé skupině (pacienti č. 5 až 9) byly pro analýzu získány kompletní kombinace rekonstrukcí iktálních a interiktálních snímků (FBP a OSEM) a dále u nich byla možnost provést výpočet senzitivity a specificity pomocí určení oblasti skutečného epileptického ložiska vyplývající z pooperačních snímků. Že se jedná o skutečné ložisko, je potvrzeno tím, že dva roky od operace jsou pacienti bez epileptických záchvatů
Výběr pacientů byl proveden na základě dostupných dat (kompletní kombinace 3 rekonstrukcí ve skupině A a kompletní kombinace 2 rekonstrukcí ve skupině B) a pro skupinu B navíc na základě znalosti o přesné lokalizaci ložiska dle jeho resekce.
Skupina A
Skupina B
pacient č.
kód
Iktální SPECT
interiktální SPECT
Pacient č.
kód
Iktální SPECT
interiktální SPECT
1
1.1
2D OSEM
2D OSEM
5
5.1
FBP
FBP
1.2
2D OSEM
FBP
5.2
FBP
OSEM
1.3
2D OSEM
3D OSEM
5.3
OSEM
FBP
1.4
FBP
2D OSEM
5.4
OSEM
OSEM
1.5
FBP
FBP
6.1
FBP
FBP
1.6
FBP
3D OSEM
6.2
FBP
OSEM
1.7
3D OSEM
2D OSEM
6.3
OSEM
FBP
1.8
3D OSEM
FBP
6.4
OSEM
OSEM
1.9
3D OSEM
3D OSEM
7.1
FBP
FBP
2.1
2D OSEM
2D OSEM
7.2
FBP
OSEM
2.2
2D OSEM
FBP
7.3
OSEM
FBP
2.3
2D OSEM
3D OSEM
7.4
OSEM
OSEM
2.4
FBP
2D OSEM
8.1
FBP
FBP
2.5
FBP
FBP
8.2
FBP
OSEM
2.6
FBP
3D OSEM
8.3
OSEM
FBP
2
6
7
8
32
3
4
2.7
3D OSEM
2D OSEM
8.4
OSEM
OSEM
2.8
3D OSEM
FBP
9.1
FBP
FBP
2.9
3D OSEM
3D OSEM
9.2
FBP
OSEM
3.1
2D OSEM
2D OSEM
9.3
OSEM
FBP
3.2
2D OSEM
FBP
9.4
OSEM
OSEM
3.3
2D OSEM
3D OSEM
3.4
FBP
2D OSEM
3.5
FBP
FBP
3.6
FBP
3D OSEM
3.7
3D OSEM
2D OSEM
3.8
3D OSEM
FBP
3.9
3D OSEM
3D OSEM
4.1
2D OSEM
2D OSEM
4.2
2D OSEM
FBP
4.3
2D OSEM
3D OSEM
4.4
FBP
2D OSEM
4.5
FBP
FBP
4.6
FBP
3D OSEM
4.7
3D OSEM
2D OSEM
4.8
3D OSEM
FBP
4.9
3D OSEM
3D OSEM
9
Tabulka 4: Seznamy a kódy rekonstrukcí pro jednotlivé pacienty
3.2
SPECT- KNM FN Brno
Snímání iktálních a interiktálních SPECT snímků bylo prováděno na Klinice nukleární medicíny Fakultní nemocnice Brno. Na dvou typech SPECT přístrojů a to SYMBIA T2 SIEMENS a E. CAM SIEMENS. Systém Symbia TruePoint T2 SPECT/CT spojující dvoudetektorový SPECT s variabilním úhlem postavení detektorů a dvouřezové CT pro rychlou a přesnou korekci na zeslabení svazku. E. CAM je stejně jako předchozí SPECT vybaven dvěma snímacími detektory s možností nastavení jejich vzájemné pozice v úhlech 180°, 90° a 76°(E4).
33
3.3
Programy a procesy pro zpracování snímků
3.3.1 MATLAB MATLAB je systém programovacího prostředí určeného pro vědecké a technické numerické výpočty, analýzu dat a jejich následnou vizualizaci. Název je odvozen od projektu MATrix LABoratory a napovídá tím, že systém funkcí a výpočtů se opírá o maticové prostředí. V MATLABU je možné pracovat jak s maticemi a vektory, tak i reálnými čísly prezentovanými jako matice (1/1). Rozsáhlé množství přednastavených funkcí je aplikováno jednotlivě pomocí příkazového řádku nebo s využitím skriptovacího souboru. Produkt je licencován firmou MathWorks (E5).
3.3.2 SPM Statistical Parametric Mapping (SPM) je uživatelský software určen k analýze dat v MATLAB prostředí. Tento program byl navržen pro zpracování, analýzu a zobrazení informací z oblasti funkčních a tomografických neurozobrazovacích metod, jako jsou fMRI, PET, SPECT, EEG a MEG (E6). Soubor jednotlivých kroků a funkcí pro zpracování souboru iktálních a interiktálních snímků a jejich následná subtrakce, stejně jako statistické porovnání se snímky zdravé populace, se skládá z následujících kroků: 1. lícování iktálního a interiktálního snímku 2. normalizace iktálního a interiktálního snímku vzhledem ke SPECT šabloně v MNI stereotaktickém prostoru 3. prostorové vyhlazení snímků 4. maskování snímků podle šablony mozku v MNI prostoru 5. normalizace průměrné intenzity snímků na hodnotu 100 6. výpočet prostého rozdílu iktálního a interiktálního snímku 7. SPM statistika využívající iktální a interiktální SPECT snímky pacientů a kontrolních (zdravých) osob – ISAS
Všem krokům předchází ruční sesazení snímků pomocí záměrného kříže tak, aby se počátek souřadnicové soustavy nacházel v přední komisuře (anterior comissure). Následně 34
dochází k současné prohlídce iktálního a interiktálního snímku pomocí funkce CheckReg, díky které lze porovnávat shodnost souřadnicového rozložení anatomických struktur obou snímků. V diplomové práci bylo pracováno s programovou verzí SPM5 a skripty pro zisk prostého rozdílu a statistického modelu jsou součástí přílohy.
3.3.3 MRIcro K zobrazení medicínských dat, zejména tomografických zobrazení mozku, slouží uživatelsky přívětivý program MRIcro. Tento software je plně kompatibilní s SPM a doplňuje jeho možnosti.
Pro SISCOM má své využití zejména díky své funkci
„Overlay“, kdy dochází k závěrečné koregistraci výsledného rozdílového snímku k MRI templátu nebo snímkům. Tato funkce dovoluje souběžné zobrazení dvou snímků, z nichž jeden je navrstven na druhý. Výsledné zobrazení je vhodné k zobrazení funkčních statistických map - SPECT, PET, fMRI (E7).
35
4
Výsledky a diskuse
4.1
Vizuální hodnocení
Při tomto hodnocení dochází k prostému vizuálnímu hodnocení (porovnávání) výskytu struktur složených nadprahovými voxely ve výsledných SISCOM studiích. Pomocí programu MRIcro, v němž je možné zobrazením více studií, je možné přesným zaměřením lokalizovat epileptogenní zónu pomocí záměrného kříže a sledovat tak, zda se shodně vyskytuje i v jiných studiích či nikoli. Tento způsob hodnocení je do značné míry subjektivní a slouží většinou jako první krok zobrazení hyper/hypoperfuzní aktivity.
Obrázek 4: SISCOM zobrazení aktivních zón
36
Obrázek 4 znázorňuje aktivní zóny čtyř různých pacientů při stejné volbě rekonstrukčních algoritmů (3D OSEM/3D OSEM) pro SISCOM analýzu již v tomto případě reprezentuje prostý rozdíl iktálního a interiktálního snímku. V části A je u pacienta č. 1 zachycen shluk voxelů, pro něž byla stanovena referenční mez 70%. Stejně jako tomu je u pacienta č. 2 v části B. Zbylé dva oddíly C (pacient č. 3) a D (pacient č. 4) ukazují existenci více aktivních oblastí při nastavení hladiny významnosti 50 respektive 70%. Důležitost vhodného nastavení referenční meze a volba vhodné metody subtrakce iktálního a interiktálního snímku jsou patrné na obrázku 5. Všechny oddíly odpovídají zobrazení stejné aktivní zóny pacienta č. 2. V části A a B se jedná o prostý rozdíl při nastavení prahové hodnoty 50% pro A a 70% pro B. K vyhodnocení slouží také algoritmus zohledňující iktální a interiktální snímky zdravé populace jako je tomu v případě oddílu C a D, kde jsou pro tento statistický model nastaveny referenční hladiny významnosti 3,5/7,8.
Obrázek 5: Pacient č. 2 srovnání nDIFF a spmT pro hladiny významnosti 50/70% respektive 3,5/7,8
37
Obrázek 6: Pacient č. 2 SISCOM srovnání nDIFF 70
38
Jak již bylo zmíněno cílem této diplomové práce je zjistit jaký vliv má kombinace rekonstrukčních algoritmů iktálního a interiktálního SPECT snímku na výslednou subtrakci. Na obrázcích 6 a 7 jsou pro jednotlivé případy znázorněny možné kombinace rekonstrukčních algoritmů SPECT snímků s výsledkem pro prostý rozdíl při hladině významnosti 70. V prvním případě se na obrázku 6 jedná o pacienta č. 2 a série snímků odpovídá zobrazení stejného prostorového bodu, označeného na prvním snímku jako aktivní oblast, ve třech projekcích tomuto pořadí: A – 3D OSEM/3D OSEM, B – 2D OSEM/FBP, C – FBP/FBP, D – FBP/3D OSEM, E – 2D OSEM/2D OSEM, F – 3D OSEM/2D OSEM. Pacient č. 8 patří do skupiny, u které se bylo k dispozici FBP a OSEM pro iktální i interiktální snímky. Všechny jejich možné kombinace jsou znázorněny na obrázku 7. A odpovídá kombinaci OSEM/OSEM, B OSEM/FBP, C FBP/OSEM a D pak kombinaci FBP/FBP.
Obrázek 7: Pacient č. 8 SISCOM srovnání nDIFF 70
39
Při podrobném prozkoumání obrázku 5, na němž je zobrazeno porovnání výsledků prostého rozdílu a statistického modelu pro dvě různé hladiny významnosti, je zprvu patrné, že při obou hladinách významnosti je lokalizovaná aktivní zóna lépe ohraničená a konzistentní při výpočtu prostého rozdílu iktálního a interiktálního snímku. Přidaná hodnota statistického modelu výpočtu (porovnání se snímky zdravé populace), ale poskytuje výhodu při porovnávání více studií. Hladina významnosti zde hraje roli pouze v množství zobrazených nadprahových voxelů. Může tak dojít ke zkreslení tím, že při příliš nízké hladině významnosti dojde k nežádoucímu zobrazení neaktivních voxelů a tím k optickému zvětšení ložiska. Naopak nastavením příliš přísné hladiny může dojít k nezobrazení části nebo celé aktivní zóny. Pokud budeme vycházet z hypotézy, že pro SISCOM je nejvhodnější rekonstrukční algoritmus 3D OSEM pro iktální i interiktální SPECT snímek (Mahmoud, 2008), pak ve vizuálním porovnání, jehož subjektivita byla zmíněna, také poskytuje nejlepší zobrazení aktivních zón. U druhé skupiny pacientů s dostupnými rekonstrukcemi OSEM a FBP se kvalita zobrazeného ložiska určovala, jak je patrné z obrázku 7, dominantním iktálním snímkem. V případě rekonstrukce OSEM/FBP je tedy ložisko téměř shodné s kombinací OSEM/OSEM. Při kombinacích, kdy SISCOM byl odvozen od FBP iktálního snímku docházelo k zvětšení, deformaci a možnému zkreslení ložiska. Tyto závěry se ovšem týkají pouze vizuálního hodnocení jedné lokalizované oblasti a jsou do značné míry subjektivní. Další předpokladem je, že během něj docházelo pouze k hodnocení pacientů a oblastí zobrazených na obrázcích 4-7 a nebyl tedy touto metodou prozkoumán celý soubor výsledných snímků.
40
4.2
Rozdílnost snímků vzhledem k referenční subtrakci
Metoda rozdílnosti snímků vzhledem k referenční subtrakci vychází z předpokladu, že pro metodu SISCOM je k lokalizaci epileptického ložiska vhodnější z hlediska přesného zobrazení využití 3D OSEM rekonstrukčního algoritmu z důvodu zmenšení objemu zobrazeného ložiska a nižší hladiny šumu (Mahmoud, 2008). Jako referenční snímek tedy u každého pacienta sloužil výsledek subtrakce při použití kombinace 3D OSEM /3D OSEM jak pro iktální, tak pro interiktální SPECT snímek u první skupiny pacientů (1-4), respektive kombinace OSEM/OSEM pro pacienty druhé skupiny (5-9). V tabulce 5 a následných grafech jsou pak zobrazeny rozdíly jednotlivých kombinací rekonstrukčních algoritmů vzhledem k referenčnímu snímku v hodnotách směrodatné odchylky. Celý proces odečítání snímků se uskutečňoval v programu SPM5 za pomocí funkce ImCalc pro dva různé výstupy subtrakční analýzy (prostý rozdíl – nDIFF a statistický model – spmT). Následně byla v Matlabu spočtena směrodatná odchylka přes všechny voxely rozdílového snímku.
nDIFF hodnoty směrodatné odchylky 21,2714
spmT hodnoty směrodatné odchylky 2,2005
3D OSEM/2D OSEM
12,8521
1,2470
1.6
FBP/3D OSEM
19,6190
2,0705
1.5
FBP/FBP
9,4053
0,7094
1.4
FBP/2D OSEM
20,1412
2,1105
1.3
2D OSEM/3D OSEM
16,3407
1,2753
1.2
2D OSEM/FBP
24,2105
2,3226
1.1
2D OSEM/2D OSEM
8,1423
0,6495
2.8
3D OSEM/FBP
15,6816
2,6328
2.7
3D OSEM/2D OSEM
10,0744
1,6395
2.6
FBP/3D OSEM
20,4430
2,1657
2.5
FBP/FBP
9,0844
1,1507
2.4
FBP/2D OSEM
17,6304
1,9936
2.3
2D OSEM/3D OSEM
13,0234
1,5066
2.2
2D OSEM/FBP
17,1133
2,4568
2.1
2D OSEM/2D OSEM
7,7553
1,0275
3.8
3D OSEM/FBP
19,8977
2,2954
3.7
3D OSEM/2D OSEM
15,8907
1,4344
3.6
FBP/3D OSEM
22,4269
2,3268
referenční SISCOM
kód
odečítaný SISCOM
1.9 3D OSEM/3D OSEM
1.8
3D OSEM/FBP
1.7
2.9 3D OSEM/3D OSEM
3.9 3D OSEM/3D OSEM
41
4.9 3D OSEM/3D OSEM
5.4 OSEM/OSEM
6.4 OSEM/OSEM
7.4 OSEM/OSEM
8.4 OSEM/OSEM
9.4 OSEM/OSEM
3.5
FBP/FBP
11,7263
0,6893
3.4
FBP/2D OSEM
25,8644
2,2562
3.3
2D OSEM/3D OSEM
17,2318
1,2599
3.2
2D OSEM/FBP
23,6022
2,1039
3.1
2D OSEM/2D OSEM
12,0368
0,7027
4.8
3D OSEM/FBP
12,8228
1,9185
4.7
3D OSEM/2D OSEM
14,1311
1,3957
4.6
FBP/3D OSEM
23,7831
2,2880
4.5
FBP/FBP
13,1785
1,2997
4.4
FBP/2D OSEM
21,2252
2,6632
4.3
2D OSEM/3D OSEM
7,9221
1,1749
4.2
2D OSEM/FBP
13,6275
2,2590
4.1
2D OSEM/2D OSEM
12,8627
1,5033
5.3
OSEM/FBP
20,7929
2,3420
5.2
FBP/OSEM
3,2839
0,5122
5.1
FBP/FBP
20,7571
2,3421
6.3
OSEM/FBP
8,4160
1,0180
6.2
FBP/OSEM
2,8440
0,3509
6.1
FBP/FBP
8,8253
1,0574
7.3
OSEM/FBP
3,4528
0,4414
7.2
FBP/OSEM
20,7482
1,1404
7.1
FBP/FBP
20,939
1,1737
8.3
OSEM/FBP
5,0065
0,3801
8.2
FBP/OSEM
14,2866
0,6941
8.1
FBP/FBP
13,6710
0,5617
9.3
OSEM/FBP
5,8568
0,3504
9.2
FBP/OSEM
6,4275
0,4329
9.1
FBP/FBP
4,9569
0,2829
Tabulka 5: Rozdílnost snímků vůči referenční subtrakci v hodnotách směrodatné odchylky
V grafech 1 a 2 jsou znázorněny hodnoty rozdílu jednotlivých kombinací rekonstrukčních algoritmů pacientů 1 až 4 vzhledem k referenční subtrakci 3D OSEM/3D OSEM. Míra odlišnosti je znázorněna v hodnotách směrodatné odchylky. Tyto výpočty byly provedeny jak pro snímky prostého rozdílu nDIFF, tak i pro statistický model spmT.
42
směrodatná odchylka
30 25 20 15 Pacient č.1 10
Pacient č.2
5
Pacient č.3
0
Pacient č.4
Graf 1: SISCOM rozdíly nDIFF
směrodatná odchylka
3 2,5 2 1,5
Pacient č.1 1
Pacient č.2
0,5
Pacient č.3
0
Pacient č.4
Graf 2: SISCOM rozdíly spmT
U pacientů druhé skupiny sloužila jako referenční snímek kombinace OSEM/OSEM. V grafech 4 a 5 jsou znázorněny rozdíly (v hodnotách směrodatné odchylky) pro kombinace OSEM/FBP, FBP/OSEM a FBP/FBP. Stejně jako v předchozím případě i zde se jednalo o výsledky prostého rozdílu a statistického modelu.
43
25
směrodatná odchylka
20 Pacient č.5
15
Pacient č.6 Pacient č.7
10
Pacient č.8 Pacient č.9
5
0 OSEM/FBP
FBP/OSEM
FBP/FBP
Graf 3: SISCOM rozdíly nDIFF
2,5
směrodatná odchylka
2 Pacient č.5
1,5
Pacient č.6 Pacient č.7
1
Pacient č.8 Pacient č.9
0,5
0 OSEM/FBP
FBP/OSEM
FBP/FBP
Graf 4: SISCOM rozdíly spmT
U první skupiny pacientů, jíž odpovídají grafy 1 a 2, je patrné, že hodnoty směrodatné odchylky rozdílnosti referenčního a odečítaného snímku jsou nižší pro kombinace stejných rekonstrukčních algoritmů, a to pro oba typy subtrakčního zpracování – nDIFF, spmT. Pokud byl tedy 3D OSEM/3D OSEM zvolen jako referenční, pak to jsou kombinace 2D OSEM/2D OSEM a FBP/FBP. Jen o málo větší odchylky představovaly kombinace 2D a 3D OSEM jak pro iktální, tak pro interiktální snímky (3D OSEM/2D 44
OSEM, 2D OSEM/3D OSEM). V tomto případě jak pro prostý rozdíl, tak pro statistický model existuje jistá shoda hodnot směrodatné odchylky nezávisle na pořadí rekonstrukce na pozici iktální/interiktální. Největší odlišnosti pak představovali nestejnorodé kombinace iterativních metod a filtrované zpětné projekce. U druhé skupiny pacientů (grafy 3 a 4) však tyto hypotézy nebyly patrné. Možným důvodem může být nízký počet subjektů k analýze.
45
4.3
Nadprahové voxely a klastrová analýza
Další možností jak vliv jednotlivých rekonstrukčních algoritmů porovnávat je sledování množství nadprahových voxelů a klastrů pro jednotlivé výstupy SISCOMu při různém nastavení hladin významnosti. Celkový počet nadprahových voxelů je hodnota voxelů v celém snímku překračujících prahovou hodnotu intenzity. Klastr je shluk těchto aktivních voxelů, přičemž minimální počet voxelů v klastru je jeden. V ideálním případě by mělo ložisko být reprezentováno jediným klastrem, zahrnujícím všechny nadprahové voxely. Tento výpočet by opět prováděn pomocí programu SPM5.
Pacient č. 1
kód
SISCOM
1.1
nDIFF spmT
1.2
nDIFF spmT
1.3
nDIFF spmT
1.4
nDIFF spmT
1.5
nDIFF spmT
1.6
nDIFF spmT
1.7
nDIFF spmT
1.8
nDIFF
hladina významnosti
počet nadprahových voxelů
počet klastrů
50
2124
54
70
295
1
3,5
1753
41
7,8
0
0
50
8200
44
70
1160
20
3,5
15056
54
7,8
695
24
50
3175
54
70
403
6
3,5
2811
33
7,8
2
2
50
24189
3
70
3628
5
3,5
54455
26
7,8
6053
13
50
4911
31
70
688
11
3,5
270
7
7,8
0
0
50
21728
4
70
5484
2
3,5
37804
3
7,8
5015
7
50
8659
16
70
1615
6
3,5
23425
36
7,8
1062
18
50
6992
13
46
70
1741
5
3,5
23393
24
7,8
1839
13
50
2386
10
70
407
1
3,5
3473
22
7,8
133
3
50
5942
12
70
1482
2
3,5
12758
70
7,8
3091
18
nDIFF
50
5134
6
70
1873
1
spmT
3,5
15760
33
7,8
3818
23
50
7882
26
70
1416
7
3,5
11051
44
7,8
379
26
50
25044
5
70
7554
2
3,5
52749
26
7,8
8335
27
50
8054
2
70
3526
1
3,5
11485
9
7,8
3820
3
50
32504
2
70
10255
4
3,5
38402
7
7,8
6181
6
50
10910
3
70
2046
6
3,5
33457
52
7,8
7884
13
nDIFF
50
3918
4
70
1507
1
spmT
3,5
22341
19
7,8
6161
15
50
6629
4
70
1797
2
3,5
11727
16
7,8
2952
2
50
4409
105
spmT 1.9
nDIFF spmT
Pacient č. 2
2.1
nDIFF spmT
2.2
2.3
nDIFF spmT
2.4
nDIFF spmT
2.5
nDIFF spmT
2.6
nDIFF spmT
2.7
nDIFF spmT
2.8
2.9
nDIFF spmT
Pacient č. 3
3.1
nDIFF
47
70
752
27
3,5
4657
101
7,8
25
7
50
15359
39
70
1540
33
3,5
24307
55
7,8
1128
51
50
9974
28
70
1723
32
3,5
3880
47
7,8
6
3
nDIFF
50
18025
20
70
3298
3
spmT
3,5
50090
42
7,8
3885
37
50
5962
26
70
1454
14
3,5
2762
21
7,8
15
1
50
13863
4
70
2459
4
3,5
32692
6
7,8
4825
10
50
4403
20
70
648
5
3,5
28974
55
7,8
2862
26
50
5177
15
70
456
5
3,5
39985
16
7,8
6334
23
50
4271
18
70
518
5
3,5
2985
32
7,8
1
1
nDIFF
50
3635
5
70
1150
2
spmT
3,5
42869
22
7,8
13228
22
50
19062
15
70
4594
12
3,5
53344
5
7,8
20919
13
50
15062
11
spmT 3.2
nDIFF spmT
3.3
nDIFF spmT
3.4
3.5
nDIFF spmT
3.6
nDIFF spmT
3.7
nDIFF spmT
3.8
nDIFF spmT
3.9
nDIFF spmT
Pacient č. 4
4.1
4.2
nDIFF spmT
4.3
nDIFF
48
70
3852
6
3,5
44221
13
7,8
11988
10
50
3835
1
70
1405
1
3,5
52308
13
7,8
6715
32
50
22362
3
70
5545
7
3,5
31492
4
7,8
3967
7
nDIFF
50
25654
7
70
5137
8
spmT
3,5
47003
4
7,8
4959
20
50
3175
10
70
1093
2
3,5
27086
21
7,8
6169
12
50
17279
17
70
3175
5
3,5
37728
4
7,8
9464
18
50
13484
11
70
2725
7
3,5
22584
7
7,8
3385
17
spmT 4.4
nDIFF spmT
4.5
nDIFF spmT
4.6
4.7
nDIFF spmT
4.8
nDIFF spmT
4.9
nDIFF spmT
Tabulka 6: Nadprahové voxely a klastrová analýza pro pacienty č. 1-4
Následující grafy 5-8 zobrazují počty nadprahových voxelů jednotlivých pacientů při všech možných kombinacích rekonstrukčních algoritmů. Každý graf odpovídá jednomu výstupu SISCOMu (prostý rozdíl – nDIFF a statistický model – spmT) při nastavení prahové hodnoty intenzity (50/70 a 3,5/7,8)
49
poče nadprahových voxelů
35000 30000 25000 20000 15000
Pacient č.1
10000
Pacient č.2
5000
Pacient č.3
0
Pacient č.4
počet nadprahových voxelů
Graf 5: Počet nadprahových voxelů pro nDIFF 50
12000 10000 8000 6000
Pacient č.1 4000
Pacient č.2
2000
Pacient č.3
0
Pacient č.4
Graf 6: Počet nadprahových voxelů pro nDIFF 70
50
počet nadprahových voxelů
60000 50000 40000 30000 Pacient č.1 20000
Pacient č.2
10000
Pacient č.3
0
Pacient č.4
Graf 7: Počet nadprahových voxelů pro spmT 3,5
počet nadprahových voxelů
25000 20000 15000
Pacient č.1
10000
Pacient č.2 5000
Pacient č.3 Pacient č.4
0
Graf 8: Počet nadprahových voxelů pro spmT 7,8
Srovnání nadprahových voxelů nevykazuje jednoznačné závěry. Zdá se však, že při použití nestejných rekonstrukčních algoritmů pro SISCOM a zejména použití FBP v kombinaci s OSEM získáme větší počet nadprahových voxelů, což by teoreticky mohlo zvýšit citlivost metody, ale současně snížit kvalitu lokalizace epileptického ložiska. Naopak jako výhodnější se pro tento přístup jeví iterativní metody rekonstrukce a to zejména kombinace stejného typu iktálních a interiktálních rekonstrukcí SPECT snímků. 51
Jako důležité se dále ze stejného důvodu ukázalo vhodné nastavení hladiny významnosti a formátu SISCOM výstupu, neboť z grafů lze vyčíst, že v případě statistického zpracování je vykazován mnohem větší počet nadprahových voxelů.
Následující grafy 9-12 zobrazují počty klastrů jednotlivých pacientů při všech možných kombinacích rekonstrukčních algoritmů. Každý graf odpovídá jednomu výstupu SISCOMu (prostý rozdíl – nDIFF a statistický model – spmT) při nastavení prahové hodnoty intenzity (50/70 a 3,5/7,8)
120
počet klastrů
100 80 60 Pacient č.1 40
Pacient č.2
20
Pacient č.3
0
Pacient č.4
Graf 9: Počet klastrů pro nDIFF 50
52
35
počet klastrů
30 25 20 15
Pacient č.1
10
Pacient č.2
5
Pacient č.3
0
Pacient č.4
Graf 10: Počet klastrů pro nDIFF 70
120
počet klastrů
100 80 60
Pacient č.1 40
Pacient č.2
20
Pacient č.3
0
Pacient č.4
Graf 11: Počet klastrů pro spmT 3,5
53
60
počet klastrů
50 40 30 Pacient č.1 20
Pacient č.2
10
Pacient č.3
0
Pacient č.4
Graf 12: Počet klastrů pro spmT 7,8
Jak bylo zmíněno v úvodu k této metodě zpracování, by v ideálním případě měl pro přesnou lokalizaci být výsledkem jediný klastr s kompletním obsazením všech nadprahových voxelů. Srovnání počtu klastrů pro jednotlivé kombinace rekonstrukčních algoritmů opět nepřináší jednoznačné závěry, avšak zdá se, že nižší počet klastrů se vyskytuje ve variantách s FBP. Zde je ovšem nutné podotknout, že nižší počet klastrů může být dán velikostí a tvarem filtru použitým při filtrované zpětné projekci SPECT snímků ve srovnání s iteračními metodami. Existence nižšího počtu klastrů tedy nemusí znamenat přesnější lokalizaci epileptického ložiska a je nutné ji dát do souvislosti s počtem nadprahových voxelů v těchto klastrech.
54
4.4
Implementace masky resekované oblasti
Druhá skupina pacientů (č. 5-9) měla k dispozici snímky po epileptochirurgickém zákroku, při němž došlo k resekci epileptického ložiska. Všechny osoby byly po dvou letech bez záchvatů, z čehož se dá usuzovat, že resekované místo bylo skutečnou epileptogenní zónou. Na místo, které bylo odstraněno, byla v celém jeho rozsahu implementována maska a byly sledovány hodnoty nadprahových voxelů objevujících se v této oblasti. K zobrazení výsledků byly zvoleny hodnoty senzitivity a specifity. Senzitivita je určena jako poměr počtu nadprahových voxelů v masce k počtu voxelů v masce. Specifita pak poměrem počtu nadprahových voxelů v masce a počtem všech nadprahových voxelů.
Pacient č. 5
kód
SISCOM
5.1
nDIFF spmT
5.2
nDIFF spmT
5.3
nDIFF spmT
5.4
nDIFF spmT
Pacient č. 6
6.1
nDIFF spmT
6.2
nDIFF spmT
6.3
nDIFF
hladina významnosti
počet voxelů masky
50
1327
počet nadprahových voxelů v masce 371
70
1327
3,5
počet nadprahových voxelů
senzitivita (%)
specifita (%)
4689
27,96
7,91
123
932
9,27
13,20
1327
589
15485
44,39
3,80
7,8
1327
272
1846
20,50
14,73
50
1327
0
11332
0,00
0,00
70
1327
0
3490
0,00
0,00
3,5
1327
487
31901
36,70
1,53
7,8
1327
35
3312
2,64
1,06
50
1327
390
4180
29,39
9,33
70
1327
117
824
8,82
14,20
3,5
1327
590
9408
44,46
6,27
7,8
1327
111
1183
8,36
9,38
50
1327
0
9595
0,00
0,00
70
1327
0
2720
0,00
0,00
3,5
1327
412
20766
31,05
1,98
7,8
1327
5
2153
0,38
0,23
50
4656
1323
3073
28,41
43,05
70
4656
618
1071
13,27
57,70
3,5
4656
1517
15827
32,58
9,58
7,8
4656
1257
4463
27,00
28,16
50
4656
2242
7343
48,15
30,53
70
4656
1306
2479
28,05
52,68
3,5
4656
1961
18376
42,12
10,67
7,8
4656
1675
5544
35,98
30,21
50
4656
1337
2749
28,72
48,64
70
4656
617
969
13,25
63,67
55
spmT 6.4
Pacient č. 7
7.1
3,5
4656
1513
15346
32,50
9,86
7,8
4656
1221
4691
26,22
26,03
nDIFF
50
4656
2098
6536
45,06
32,10
70
4656
1116
2240
23,97
49,82
spmT
3,5
4656
1957
17383
42,03
11,26
7,8
4656
1560
5412
33,51
28,82
50
2323
138
13678
5,94
1,01
70
2323
0
3636
0,00
0,00
3,5
2323
728
53224
31,34
1,37
7,8
2323
392
18031
16,87
2,17
50
2323
192
10936
8,27
1,76
70
2323
0
2435
0,00
0,00
3,5
2323
818
56965
35,21
1,44
7,8
2323
446
18122
19,20
2,46
50
2323
205
16701
8,82
1,23
70
2323
0
3103
0,00
0,00
3,5
2323
744
54934
32,03
1,35
7,8
2323
368
18810
15,84
1,96
nDIFF
50
2323
256
14533
11,02
1,76
70
2323
9
2441
0,39
0,37
spmT
3,5
2323
893
56636
38,44
1,58
7,8
2323
410
18626
17,65
2,20
50
4589
1267
10677
27,61
11,87
70
4589
838
3777
18,26
22,19
3,5
4589
1257
7505
27,39
16,75
7,8
4589
0
163
0,00
0,00
nDIFF
50
4589
913
9743
19,90
9,37
70
4589
358
2919
7,80
12,26
spmT
3,5
4589
1084
8824
23,62
12,28
7,8
4589
0
148
0,00
0,00
50
4589
1318
5151
28,72
25,59
70
4589
642
1353
13,99
47,45
3,5
4589
1375
7360
29,96
18,68
7,8
4589
127
367
2,77
34,60
50
4589
1012
4257
22,05
23,77
70
4589
419
949
9,13
44,15
3,5
4589
1211
5295
26,39
22,87
7,8
4589
81
210
1,77
38,57
50
6400
1314
7681
20,53
17,11
70
6400
465
1962
7,27
23,70
3,5
6400
1045
4029
16,33
25,94
7,8
6400
0
0
0,00
0,00
50
6400
987
6330
15,42
15,59
70
6400
249
1399
3,89
17,80
nDIFF spmT
7.2
nDIFF spmT
7.3
nDIFF spmT
7.4
Pacient č. 8
8.1
nDIFF spmT
8.2
8.3
nDIFF spmT
8.4
nDIFF spmT
Pacient č. 9
9.1
nDIFF spmT
9.2
nDIFF
56
spmT 9.3
9.4
3,5
6400
1069
4701
16,70
22,74
7,8
6400
0
0
0,00
0,00
nDIFF
50
6400
1272
6645
19,88
19,14
70
6400
502
1802
7,84
27,86
spmT
3,5
6400
839
3015
13,11
27,83
7,8
6400
0
6
0,00
0,00
50
6400
1282
7562
20,03
16,95
70
6400
532
1956
8,31
27,20
3,5
6400
799
2682
12,48
29,79
7,8
6400
0
2
0,00
0,00
nDIFF spmT
Tabulka 7: Implementace masky resekované oblasti pro pacienty č. 5-9
V následujících grafech 13-16 je znázorněna senzitivita (poměr nadprahových voxelů v masce a počtu voxelů masky) u jednotlivých pacientů při všech možných kombinacích rekonstrukčních algoritmů. Každý graf odpovídá jednomu výstupu SISCOMu (prostý rozdíl – nDIFF a statistický model – spmT) při nastavení prahové hodnoty intenzity (50/70 a 3,5/7,8)
60
senzitivita (%)
50 40 Pacient č.5
30
Pacient č.6
20
Pacient č.7
10
Pacient č.8 Pacient č.9
0
Graf 13: Senzitivita nDIFF 50
57
30
senzitivita (%)
25 20 Pacient č.5
15
Pacient č. 6
10
Pacient č.7
5
Pacient č.8 Pacient č.9
0
senzitivita (%)
Graf 14: Senzitivita nDIFF 70
50 45 40 35 30 25 20 15 10 5 0
Pacient č.5 Pacient č.6 Pacient č.7 Pacient č.8 Pacient č.9
Graf 15: Senzitivita spmT 3,5
58
40 35 senzitivita (%)
30 25 Pacient č.5
20
Pacient č. 6
15
Pacient č.7
10
Pacient č.8
5
Pacient č.9
0
Graf 16: Senzitivita spmT 7,8
Z hlediska senzitivity se zdá, že volba rekonstrukčního algoritmu nemá významný vliv. U různých pacientů poskytují různé kombinace rekonstrukcí lepší či horší senzitivitu, ale tyto údaje nejsou napříč pacienty a kombinacemi algoritmů konzistentní. Pro podrobnější studii by bylo jistě přínosné implementovat tento přístup na širší soubor pacientů s kompletní kombinací rekonstrukčních algoritmů (FBP,2D OSEM a 3D OSEM popř. jinými). Bohužel v době kompozice této studie nebyl u pacientů s těmito kompletními rekonstrukcemi jak pro iktální, tak pro interiktální snímky k dispozici snímek resekované oblasti o níž by se dalo po dvouleté odmlce epileptických záchvatů usoudit, že byla epileptogenní zónou.
V následujících grafech 17-20 je znázorněna specifita (poměr počtu nadprahových voxelů v masce a počtu všech nadprahových voxelů) u jednotlivých pacientů při všech možných kombinacích rekonstrukčních algoritmů. Každý graf odpovídá jednomu výstupu SISCOMu (prostý rozdíl – nDIFF a statistický model – spmT) při nastavení prahové hodnoty intenzity (50/70 a 3,5/7,8)
59
60
specifita (%)
50 40 Pacient č.5
30
Pacient č.6
20
Pacient č.7
10
Pacient č.8 Pacient č.9
0
Graf 17: Specifita nDIFF 50
35 30 specifita (%)
25 20
Pacient č.5
15
Pacient č. 6
10
Pacient č.7 Pacient č.8
5
Pacient č.9 0
Graf 18: Specifita nDIFF 70
60
70 60 specifita (%)
50 40
Pacient č.5
30
Pacient č. 6
20
Pacient č.7 Pacient č.8
10
Pacient č.9 0
Graf 19: Specifita spmT 3,5
45 40
specifita (%)
35 30 25
Pacient č.5
20
Pacient č. 6
15
Pacient č.7
10
Pacient č.8
5
Pacient č.9
0
Graf 20: Specifita spmT 7,8
I u specificity se zdá, že volba rekonstrukčního algoritmu opět nemá významný vliv. U různých pacientů poskytují různé kombinace rekonstrukcí lepší či horší specificitu, ale tyto údaje nejsou napříč pacienty a kombinacemi rekonstrukčních algoritmů konzistentní. I zde by platil závěr o nutnosti širšího souboru pacientů s kompletními rekonstrukcemi pro stanovení věrohodných závěrů.
61
5
Závěr
Metoda SISCOM našla na I. Neurologické klinice Fakultní nemocnice u sv. Anny své nezastupitelné
postavení
a
současné
době
je
hojně
využívána
pro
pacienty
s farmakorezistentní epilepsií zařazenými do epileptochirurgického programu. Její přínos k přesnější lokalizaci epileptogenní zóny se pohybuje přibližně mezi 50 a 60%. Konkrétní výsledky využití SISCOMu na I. NK FNUSA v Brně již byly prezentovány na konferencích (Brázdil, 2007) a souhrnné výsledky se připravují k publikaci. Cílem této diplomové práce bylo ověřit zda, a do jaké míry, má rekonstrukční algoritmus, respektive jejich vzájemná kombinace pro iktální a interiktální snímek, vliv na výsledky SISCOM analýzy. K dispozici byly iktální a interiktální snímky devíti epileptických pacientů léčených na I. Neurologické klinice Fakultní nemocnice u sv. Anny. Tito pacienti byli rozděleni do dvou skupin dle dostupnosti rekonstrukčních algoritmů. Z hlediska výsledků byla tato studie nejúspěšnější v závěrech metody vizuální analýzy. Tento způsob je klinicky využíván jako součást předoperačních příprav před epileptochirurgickými operacemi, neboť přesná lokalizace potencionální epileptogenní zóny je nutným předpokladem pro tento zákrok. Z výsledků vyplývá jednoznačná souvislost se strukturními změnami zobrazovaných aktivních zón. Jako předloha pro posouzení byla zvolena kombinace 3D OSEM iterativní rekonstrukce jak pro iktální, tak pro interiktální snímek SISCOM analýzy. Při prostorové lokalizaci aktivní zóny v této předloze a porovnání s ostatními kombinacemi rekonstrukčních algoritmů, bylo zřejmé, že jednotlivé kombinace rekonstrukcí poskytují nekonzistentní oblasti zobrazených aktivních zón. Dalšími výraznými prvky, díky kterým by mohlo docházet k možným zkreslením v lokalizaci potenciální epileptogenní zóny, byly volba vhodného výstupu SISCOM analýzy a hladiny významnosti zobrazených voxelů. Metoda založená na rozdílnosti snímků pro jednotlivé typy rekonstrukčních kombinací, která vychází z předpokladu nejvhodnější kombinace 3D OSEM pro iktální/interiktální snímek, poukázala ve svých výsledcích na přednostní volbu stejného rekonstrukčního algoritmu iktálního i interiktálního snímku. Hodnoty směrodatné odchylky získané prostým rozdílem dvou subtrakčních snímků, přičemž jako referenční byla zvolena kombinace 3D OSEM/3DOSEM, byly nižší právě pro kombinace stejných rekonstrukčních algoritmů 2D OSEM/2D OSEM a FBP/FBP.
62
Bohužel další typy zpracování výsledků, ať se již jednalo o porovnávání nadprahových voxelů a klastrů u první skupiny pacientů nebo implementace masky reprezentující resekované ložisko po epileptochirurgickém zákroku u druhé skupiny pacientů, nepřinesly jednoznačné výsledky. Jistým náznakem možného trendu byl zvýšený počet nadprahových voxelů u kombinací filtrované zpětné projekce a iterativních metod, a snížený počet clustrů pro výsledky získané kombinacemi FBP. Tyto závěry by bylo možné patrně přisuzovat velikosti a tvaru filtru využitého při filtrované zpětné projekci SPECT snímků a v principu nemusí vůbec souviset s hodnocením kvality výsledku. Ve své podstatě lze chápat tuto diplomovou práci jako pilotní studii, která poukázala na nutnost počítat s vlivem, který může do SISCOM studie přinést odlišnost rekonstrukčních algoritmů iktálního a interiktálního snímku. Klíčovým krokem by však měla být daleko rozsáhlejší studie s větším počtem pacientů se všemi možnými rekonstrukčními algoritmy (FBP, iterativní metody rekonstrukce) a se snímky zobrazujícími resekované oblasti po epileptochirurgickém zákroku, která by mohla přinést relevantní informace popřípadě potvrdit zjištěné závěry.
63
Seznam použité literatury AMARO, Edson; BARKER, Gareth J. Study design in fMRI: Basic principles. Brain
and
Cognition
.
2006,
60,
s.
220–232.
Dostupný
také
z
WWW:
. ASHBURNER, J., et al. SPM5 manual: The fill methods group. London : Institute of neurology UCL, 2008 BARBA, C., et al. Provoked ictal SPECT in temporal and extratemporal drug resistant epileptic patients : comparison of Statistical Parametric Mapping and qualitative analysis. Epilepsy Research. 2009, 84, s. 6-14. BRÁZDIL, Milan, et al. Subtrakční iktální SPECT koregistrovaný s MRI (SISCOM) v diagnostice farmakorezistentní epilepsie. Česká a slovenská neurologie a neurochirurgie. 2007, 70, 103, s. 34-34. ISSN 1210-7859. DUBOVÝ, Petr. Základy neuroanatomie a nervových drah [online]. Brno : Masarykova
Univerzita,
2006
[cit.
2010-03-16].
Dostupné
z
WWW:
. HÁLA, Jiří. Radioaktivita, ionizující záření, jaderná energie. Vyd. 1. Brno : Konvoj, 1998. 310 s. ISBN 8085615568. HALLIDAY, D.; RESNICK, R.; WALKER, J. Fyzika: část 5. Moderní fyzika. Dotisk 1. českého vyd. Brno : Vysoké učení technické, 2003. 1034-1198 s. ISBN 80-2141868-0. HOLIBKOVÁ, Alžběta; LAICHMAN, Stanislav. Přehled anatomie člověka. Dotisk 3. Vyd. Olomouc : Univerzita Palackého, 2004. 140 s. ISBN 80-244-0495-8. HRAZDIRA, Ivo; MORNSTEIN, Vojtěch. Lékařská biofyzika a přístrojová technika. Dotisk 1. vyd. Brno : Neptun, 2004. 381 s. JAN, Jiří. Medical image processing, reconstruction, and restoration : concepts and methods . Boca Raton : Dekkes/CRC Press, 2005. 760 p. s. ISBN 824758498. KAIBORIBOON, Kitti, et al. Quantitative Analysis of Cerebral Blood Flow Patterns in Mesial Temporal Lobe Epilepsy Using Composite SISCOM. The Journal of Nuclear Medicine . 2005, 46, 1, s. 38-43. 64
KAZEMI, N.J., et al. Ictal SPECT statistical parametric mapping in temporal lobe epilepsy surgery. Neurology. 2010, 74, s. 70-76. Dostupný také z WWW: <www.neurology.org>. KELVES, Bettyann H. Naked to the bone : medical imaging in the twentieth century. New Brunswick : Basic Books, 1998. 394 p. s. ISBN 0-201-32833-X. KIM, Jeong Tae, et al. Comparison of various imaging modalites in localization of epileptogenic lesion using epilepsy surgery outcome in pediatric patients. Seizure. 2009, 18, s. 504-510. KRUPKA, Karel, et al. Nukleární medicína. Vyd. 1. Praha : P3K, 2007. 185 s. KUBA, Robert, et al. Stimulace nervus vagus v terapii farmakorezistentní epilepsie. Neurologie
pro
praxi.
2004,
2,
s.
63-66.
Dostupný
také
z
WWW:
. MAHMOUD, S.B., et al. Comparasion between OSEM-3D and filtered backprojection for brain SPECT images treated by SISCOM in temporal lobe epilepsy. Médecine
Nucléaire.
2008,
32,
s.
291-299.
Dostupný
také
z WWW:
. MC NALLY, Kelly A., et al. Localizing Value of Ictal-Interictal SPECT Analyzed by SPM (ISAS). Epilepsia. 2005, 46, 9, s. 1450-1464. O´BRIEN, T.J., et al. Subtraction SPECT co-registered to MRI improves postictal Spect localization of seizure foci. Neurology. 1999, 52, s. 137-146. THRALL, James H.; ZIESSMAN, Harvey A. Nuclear medicine : the requisites. 1st ed. St. Louis : Mosby, 1995. ix, 371 p. s. ISBN 0801666740. TROJAN, Stanislav. Lékařská fyziologie. 4. přeprac. a dopl. vyd. Praha : Grada, 2003. 771 s. ISBN 80-247-0512-5. VÁCHA, Martin, et al. Srovnávací fyziologie živočichů. Vyd. 2. Brno : Masarykova univerzita, 2004. 165 s. ISBN 8021033797. VOJTĚCH, Zdeněk. EEG v epileptologii dospělých. Vyd 1,. Praha : Grada, 2005. 680 s. WABERŽINEK, Gerhard; KRAJÍČKOVÁ, Dagmar. Základy speciální neurologie. Vyd 1. Praha : Karolinum, 2006. 396 s. 65
ZAIDI, Habib. Quantitative Analysis in Nuclear Medicine Imaging. New York : Springer, 2006. 583 p. s. ISBN 0-387-23854-9. ZUBAL, George I., et al. Difference Images Calculated from Ictal and Interictal Technetium-99m-HMPAO SPECT Scans of Epilepsy. The Journal of Nuclear Medicine. 1995, 36, 4, s. 684-689.
Internetové zdroje E1 … http://astronuklfyzika.cz/ E2 … http://www.upol.cz/fakulty/lf/struktura/pracoviste/klinika-nuklearnimediciny/pedagogicka-cinnost/fyzikalni-zaklady-zobrazovani-v-nuklearni-medicinea-radiacni-ochrana/ E3 … http://spect.yale.edu E4 … http://www.medical.siemens.com E5 … http://www.mathworks.com E6 … http://www.fil.ion.ucl.ac.uk/spm E7 … http://www.cabiatl.com/mricro/mricro/mricro.html
66
Seznam zkratek CBF
… cerebral blood flow (mozkový krevní průtok)
FBP
… filtrovaná zpětná projekce
FWHM
… full width-half maximum
ISAS
… ictal-interictal SPECT analýza programem SPM
MRI
… magnetic resonance imaging (zobrazení pomocí jevu nukleární magnetické rezonance)
nDIFF
… výsledný formát subtrakce pro prostý rozdíl iktálního a interiktálního snímku
OSEM
… ordered subsets expectation maximization (iterativní rekonstrukce založená rozdělení početních operací do subsetů)
SISCOM
… subtrakční analýza iktálního a interiktálního SPECT snímku proloženého přes MRI
SPECT
… jednofotonová emisní tomografie
spmT
… výsledný formát subtrakce iktálního a interiktálního snímku pro statistický model vzhledem ke kontrolní skupině zdravé populace
67
Seznam obrázků, grafů a tabulek Obrázek 1: MRI templát pro SISCOM ................................................................................ 13 Obrázek 2: Schéma scintilační kamery ............................................................................... 22 Obrázek 3: Model iterativní rekonstrukce (E2) ................................................................... 25 Obrázek 4: SISCOM zobrazení aktivních zón .................................................................... 36 Obrázek 5: Pacient č. 2 srovnání nDIFF a spmT pro různé hladiny významnosti .............. 37 Obrázek 6: Pacient č. 2 SISCOM srovnání nDIFF 70 ......................................................... 38 Obrázek 7: Pacient č. 8 SISCOM srovnání nDIFF 70......................................................... 39
Graf 1: SISCOM rozdíly nDIFF .......................................................................................... 43 Graf 2: SISCOM rozdíly spmT ........................................................................................... 43 Graf 3: SISCOM rozdíly nDIFF .......................................................................................... 44 Graf 4: SISCOM rozdíly spmT ........................................................................................... 44 Graf 5: Počet nadprahových voxelů pro nDIFF 50 ............................................................. 50 Graf 6: Počet nadprahových voxelů pro nDIFF 70 ............................................................. 50 Graf 7: Počet nadprahových voxelů pro spmT 3,5 .............................................................. 51 Graf 8: Počet nadprahových voxelů pro spmT 7,8 .............................................................. 51 Graf 9: Počet klastrů pro nDIFF 50 ..................................................................................... 52 Graf 10: Počet klastrů pro nDIFF 70 ................................................................................... 53 Graf 11: Počet klastrů pro spmT 3,5 ................................................................................... 53 Graf 12: Počet klastrů pro spmT 7,8 ................................................................................... 54 Graf 13: Senzitivita nDIFF 50 ............................................................................................. 57 Graf 14: Senzitivita nDIFF 70 ............................................................................................. 58 Graf 15: Senzitivita spmT 3,5.............................................................................................. 58 Graf 16: Senzitivita spmT 7,8.............................................................................................. 59
68
Graf 17: Specifita nDIFF 50 ................................................................................................ 60 Graf 18: Specifita nDIFF 70 ................................................................................................ 60 Graf 19: Specifita spmT 3,5 ................................................................................................ 61 Graf 20: Specifita spmT 7,8 ................................................................................................ 61
Tabulka 1: Klasifikace epileptických záchvatů podle ILAE (Waberžinek, 2006) .............. 11 Tabulka 2: Základní rytmy mozkové aktivity (Hrazdira, 2004) .......................................... 14 Tabulka 3: Radiofarmaka pro SPECT snímání rCBF (Thrall, 1995) .................................. 27 Tabulka 4: Seznamy a kódy rekonstrukcí pro jednotlivé pacienty...................................... 33 Tabulka 5: Rozdílnost snímků vůči referenční subtrakci .................................................... 42 Tabulka 6: Nadprahové voxely a klastrová analýza pro pacienty č. 1-4 ............................. 49 Tabulka 7: Implementace masky resekované oblasti pro pacienty č. 5-9 ........................... 57
69
Příloha SPM5 skript pro zisk prostého rozdílu - nDIFF % SISCOM processing function SISCOM5 clear all; addpath('c:\spm5') rehash path; cwd = 'C:\SPECT'; pathdelim = '\'; foldname = { '91' }; iktalspectname = 'iktal.img'; interiktalspectname = 'interiktal.img'; normalMEANname = 'normal_mean.img'; normalSDname = 'normal_SD.img'; nsub=length(foldname); reslicevoxelsize = [2 2 2]; %Voxel-size after normalization boundingbox = [-78 -112 -50; 78 76 85]; %FOV after normalization SmoothFWHMmm = [16 16 16]; %FWHM of Gaussian Kernel in 3D spm_defaults; global defaults; for sub=1:nsub scsource = [mfilename('fullpath') '.m']; scname= [mfilename '.m.txt']; scdestination = fullfile(cwd,foldname{sub},scname); copyfile(scsource,scdestination); swd=[cwd pathdelim foldname{sub}]; %subject specific directory cd(cwd) dir = [foldname{sub}]; % path to SPECT data q = spm_select('FPList',dir,['^' iktalspectname]); P{1} = strvcat(q); q = spm_select('FPList',dir,['^' interiktalspectname]); P{2} = strvcat(q); V = spm_vol(P); % Realignment (coregister only) RW.data = P; RW.eoptions = struct( 'quality', 0.95,... 'sep', 3,... 'fwhm', 7,... 'rtm', 2,... 'interp', 1,... 'wrap', [0 0 0],... 'weight', {{}}); jobs{1}.spatial{1}.realign{1}.estimate = RW; spm_jobman('run',jobs); clear jobs; % Normalize ictal to SPECT template clear P; dirsrc = [foldname{sub}]; srcimg{1} = spm_select('FPList',dirsrc, ['^' iktalspectname]); NRA.estwrite.subj.source = srcimg; NRA.estwrite.subj.wtsrc = {{}}; NRA.estwrite.subj.resample = srcimg; templ{1,1} = {'c:\spect\spm5\templates\SPECT.nii'}; NRA.estwrite.eoptions = struct( 'template', templ,... 'weight', {{}},... 'smosrc', 8,... 'smoref', 0,... 'regtype', 'mni',... 'cutoff', 25,... 'nits', 16,... 'reg', 1); NRA.estwrite.roptions = struct( 'preserve', 0,... 'bb', boundingbox,...
70
'vox', reslicevoxelsize,... 'interp', 1,... 'wrap', [0 0 0]); jobs{1}.spatial{1}.normalise{1} = NRA; spm_jobman('run',jobs); clear jobs; % get normalisation parameters dirpar = [foldname{sub}]; pars{1} = spm_select('FPList',dirpar,'^iktal.*\_sn.mat$'); % get files to normalise dir = [foldname{sub}]; % path to SPECT data q = spm_select('FPList',dir,['^' iktalspectname]); P{1} = strvcat(q); % q = spm_select('FPList',dir,['^' interiktalspectname]); % P{2} = strvcat(q); NRF.write.subj.matname = pars; NRF.write.subj.resample = P; NRF.write.roptions = struct( 'preserve', 0,... 'bb', boundingbox,... 'vox', reslicevoxelsize,... 'interp', 1,... 'wrap', [0 0 0]); jobs{1}.spatial{1}.normalise{1} = NRF; spm_jobman('run',jobs); clear jobs; % Normalize interictal to SPECT template clear P; % get source image dirsrc = [foldname{sub}]; srcimg{1} = spm_select('FPList',dirsrc, ['^' interiktalspectname]); NRA.estwrite.subj.source = srcimg; NRA.estwrite.subj.wtsrc = {{}}; NRA.estwrite.subj.resample = srcimg; templ{1,1} = {'c:\spect\spm5\templates\SPECT.nii'}; NRA.estwrite.eoptions = struct( 'template', templ,... 'weight', {{}},... 'smosrc', 8,... 'smoref', 0,... 'regtype', 'mni',... 'cutoff', 25,... 'nits', 16,... 'reg', 1); NRA.estwrite.roptions = struct( 'preserve', 0,... 'bb', boundingbox,... 'vox', reslicevoxelsize,... 'interp', 1,... 'wrap', [0 0 0]); jobs{1}.spatial{1}.normalise{1} = NRA; spm_jobman('run',jobs); clear jobs; % get normalisation parameters dirpar = [foldname{sub}]; pars{1} = spm_select('FPList',dirpar,'^interiktal.*\_sn.mat$'); % get files to normalise dir = [foldname{sub}]; % path to SPECT data q = spm_select('FPList',dir,['^' interiktalspectname]); P{2} = strvcat(q); NRF.write.subj.matname = pars; NRF.write.subj.resample = P; NRF.write.roptions = struct( 'preserve', 0,... 'bb', boundingbox,... 'vox', reslicevoxelsize,... 'interp', 1,... 'wrap', [0 0 0]); jobs{1}.spatial{1}.normalise{1} = NRF; spm_jobman('run',jobs); clear jobs; % Smoothing
71
%Reload normalised images dir = [foldname{sub}]; % path to SPECT data q = spm_select('FPList',dir,['^w' iktalspectname]); P{1} = strvcat(q); q = spm_select('FPList',dir,['^w' interiktalspectname]); P{2} = strvcat(q); SMT.data = P; SMT.fwhm = SmoothFWHMmm; SMT.dtype = 0; jobs{1}.spatial{1}.smooth = SMT; spm_jobman('run',jobs); clear jobs; % Masking cd(cwd); P{1} = spm_select('FPList',dir,['^sw' iktalspectname]); P{2} = spm_select('FPList',dir,['^sw' interiktalspectname]); VG = fullfile(spm('Dir'),'apriori'); mask = spm_select('FPList',VG,'^brainmask.nii'); cd(dir); Pi=strvcat(P{1}, mask); rn = 'mask_iktal.img'; Vo = spm_imcalc_ui(Pi,rn,'i1.*i2'); Pi=strvcat(P{2}, mask); rn = 'mask_interiktal.img'; Vo = spm_imcalc_ui(Pi,rn,'i1.*i2'); % Normalizing mean intensity to 100 PP = spm_select('FPList','.','^mask_iktal.img'); V = spm_vol(PP); [Y,XYZ] = spm_read_vols(V); X = reshape(Y,1,V.dim(1)*V.dim(2)*V.dim(3)); PPmean=mean(X); k=100/PPmean; Pi=strvcat(PP); rn = 'Xiktal.img'; xop = ['i1*' num2str(k)]; Vo = spm_imcalc_ui(Pi,rn,xop); PP = spm_select('FPList','.','^mask_interiktal.img'); V = spm_vol(PP); [Y,XYZ] = spm_read_vols(V); X = reshape(Y,1,V.dim(1)*V.dim(2)*V.dim(3)); PPmean=mean(X); k=100/PPmean; Pi=strvcat(PP); rn = 'Xinteriktal.img'; xop = ['i1*' num2str(k)]; Vo = spm_imcalc_ui(Pi,rn,xop); % Calculating DIFF P{1} = spm_select('FPList','.','^Xiktal.img'); P{2} = spm_select('FPList','.','^Xinteriktal.img'); Pi=strvcat(P{1}, P{2}); rn = 'DIFF.img'; xop = 'i1-i2'; Vo = spm_imcalc_ui(Pi,rn,xop); % Normalizing DIFF max to 100 and SD(DIFF) to 1 PP = spm_select('FPList','.','^DIFF.img'); V = spm_vol(PP); [Y,XYZ] = spm_read_vols(V); X = reshape(Y,1,V.dim(1)*V.dim(2)*V.dim(3)); PPmean=mean(X); PPmax=max(X); sddif=std(X); k=100/PPmax; Pi=strvcat(PP); rn = 'nDIFF.img'; xop = ['i1*' num2str(k)]; Vo = spm_imcalc_ui(Pi,rn,xop); rn = 'nsdDIFF.img'; xop = ['(i1-' num2str(PPmean) ')/' num2str(sddif)];
72
Vo = spm_imcalc_ui(Pi,rn,xop); end %for each subject end %of main function
SPM5 skript pro zisk statistického modelu spmT (ISAS) % To create SPM SPECT statistics using ictal/interictal scan from patients % and ictal/interictal scans from normal subjects (according to ISAS) clear all; addpath('c:\spm5') rehash path; cwd = 'C:\SPECT'; pathdelim = '\'; foldname = {'91'}; iktalspectname = 'swiktal.img'; interiktalspectname = 'swinteriktal.img'; nsub=length(foldname); Model_dir = 'Model'; normals_cwd = 'C:\SPECT\Normals\Healthy_Normals'; normals_name = 'wswrHN'; normals_suffix1 = '_D1.img'; normals_suffix2 = '_D2.img'; normals_nsub=14; spm_defaults; global defaults; Filter = '*.img'; for sub = 1:nsub swd=fullfile(cwd,foldname{sub}); cd(swd); P={}; q = spm_select('FPList',swd,['^' interiktalspectname]); P{1,1} = strvcat(q); q = spm_select('FPList',swd,['^' iktalspectname]); P{2,1} = strvcat(q); cd(normals_cwd); dir='.'; for ns=1:normals_nsub name1=[normals_name num2str(ns,'%03.0f') normals_suffix1]; name2=[normals_name num2str(ns,'%03.0f') normals_suffix2]; NP1 = spm_select('FPList',dir,['^' name1]); NP2 = spm_select('FPList',dir,['^' name2]); P{1+ns*2,1}=strvcat(NP1); P{2+ns*2,1}=strvcat(NP2); end cd(swd); mwd=fullfile(swd,Model_dir); if ~(exist(mwd)) mkdir(Model_dir); end cd(mwd); factor(1) = struct ('name', 'subject',... 'dept', 0,... 'variance', 0,... 'gmsca', 0,... 'ancova', 0); factor(2) = struct ('name', 'group',... 'dept', 0,... 'variance', 0,... 'gmsca', 0,... 'ancova', 0); factor(3) = struct ('name', 'condition',... 'dept', 0,... 'variance', 0,... 'gmsca', 0,... 'ancova', 0);
73
IMA = [1 1 1 1 SPCA =
1 1 1 2
1 2 2 1
1 2 2 2
1 1 1 3 3 4 2 2 2 1 2 1 struct
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 4 5 5 6 6 7 7 8 8 9 9 10 10 11 11 12 12 13 13 14 14 15 15 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2]'; ('scans', {P},... 'imatrix', IMA); xfs = struct ('specall', SPCA); MNT{1} = struct ('fmain', struct ('fnum', 1)); MNT{2} = struct ('inter', struct ('fnums', [2 3]')); FD.des.fblock = struct ('fac', factor,... 'fsuball', xfs,... 'maininters', {MNT}); FD.cov = struct ('c', {},... 'cname', {},... 'iCFI', {},... 'iCC', {}); TM.tmr = struct ('rthresh', 0.8000); FD.masking = struct ('tm', TM,... 'im', 1,... 'em', {{''}}); FD.globalc = struct ('g_mean', []); GMSC.gmsca_yes = struct ('gmscv', 50); FD.globalm = struct ('gmsca', GMSC,... 'glonorm', 2); FD.dir = {mwd}; spm_unlink(fullfile(mwd, 'SPM.mat')); % avoid overwrite dialog jobs{1}.stats{1}.factorial_design = FD; spm_jobman('run',jobs); clear jobs; matfile_path{1} = {[mwd pathdelim 'SPM.mat']}; methodstruct.Classical = 1; fmrieststruct = struct( 'spmmat', matfile_path,... 'method', methodstruct); spm_unlink(fullfile(mwd, 'mask.img')); % avoid overwrite dialog jobs{1}.stats{1}.fmri_est = fmrieststruct; spm_jobman('run',jobs); clear jobs; consessstruct{1}.tcon.name='Hyperperfusion'; consessstruct{1}.tcon.convec=[zeros(1,15) -1 1 1 -1]; consessstruct{2}.tcon.name='Hypoperfusion'; consessstruct{2}.tcon.convec=[zeros(1,15) 1 -1 -1 1]; construct = struct( 'spmmat', matfile_path,... 'consess', {consessstruct}); jobs{1}.stats{1}.con = construct; spm_jobman('run',jobs); clear jobs; clear P q jobs ; end
74
